Embed Size (px)
Citation preview
1
º
> INTERNET EN LAS ESCUELAS. EFECTO SOBRE EL RENDIMIENTO EDUCATIVO EN EL PERÚ: 2007-2011
Álvaro Hopkins B. Grupo de Análisis para el Desarrollo [email protected]
Julio 2014
2
Este documento cuenta con una licencia Creative Commons del tipo Reconocimiento-No comercial-Compartir bajo la misma licencia 2.5 Perú. Usted puede copiar, distribuir y comunicar públicamente la obra y hacer obras derivadas, bajo las condiciones establecidas en la licencia: http://creativecommons.org/licenses/by-nc-sa/2.5/pe/legalcode
Álvaro Hopkins B.
Internet en las escuelas. Efecto sobre el rendimiento educativo en el Perú: 2007-2011
Lima: Diálogo Regional sobre Sociedad de la Información, (2014).
> Este trabajo se llevó a cabo con la ayuda de fondos asignados al IEP
por el Centro Internacional de Investigaciones para el Desarrollo y de la Agencia Canadiense de Desarrollo Internacional, Ottawa, Canadá.
3
Contenidos
Resúmen ................................................................................................................... 7
1 Introducción ........................................................................................................... 9
2 Antecedentes ........................................................................................................ 14
2.1 Marco teórico…………..…………………………………………………………………………….14
2.2Evidencia del impacto ........................................................................................ 17
3 Avance de la conectividad en las escuelas y desempeño educativo..................... 23
4 Base de datos ....................................................................................................... 28
5Metodología econométrica ................................................................................... 30
6 Identificación del impacto del acceso a internet ................................................. 36
7Identificación del impacto del acceso a internet de banda ancha ........................ 39
8Resultados ............................................................................................................ 42
8.1 Acceso a Internet .............................................................................................. 42
8.2 Acceso a Internet de banda ancha ..................................................................... 51
Conclusión .............................................................................................................. 53
Bibliografía ............................................................................................................. 56
4
Índice de tablas
Tabla 1: ..................................................................................................................... 24
Tabla 2: ..................................................................................................................... 36
Tabla 3: ..................................................................................................................... 38
Tabla 4: ..................................................................................................................... 39
Tabla 5: ..................................................................................................................... 40
Tabla 6: ...................................................................................................................... 41
Tabla 7: ..................................................................................................................... 50
Tabla 8: ..................................................................................................................... 52
Tabla 9: ..................................................................................................................... 55
5
ÍNDICE DE ILUSTRACIONES
Ilustración 1: …………………………………………...............................................................16
Ilustración 2: …………………………………………………..……..…………………………………..26
Ilustración 3: …………………………………………………………..………………………..………..27
Ilustración 4: ……………………………………………………………..…………………………..…..31
Ilustración 5: ……………………………………………………………..……………………..………..45
6
ÍNDICE DE ANEXOS
Anexo 1: .................................................................................................................... 63
Anexo 2: .................................................................................................................... 65
Anexo 3: .................................................................................................................... 66
Anexo 4: .................................................................................................................... 67
Anexo 5: .................................................................................................................... 68
Anexo 6: .................................................................................................................... 69
Anexo 7: .................................................................................................................... 70
Anexo 8: ..................................................................................................................... 71
Anexo 9: .................................................................................................................... 72
Anexo 10:.…………………………………………………………………………………………………….73
7
RESUMEN
Este estudio consiste en una aproximación al efecto del acceso a Internet
y del acceso a Internet de banda ancha1 en el rendimiento educativo de los
estudiantes de segundo grado de primaria en el Perú. De acuerdo a la
literatura, el acceso y uso adecuadamente guiado de las tecnologías de la
información (TIC) a tan temprana edad tendría un efecto en las
capacidades de comprensión lectora y en el desarrollo de razonamiento
matemático. En particular, el acceso a la Internet tendría un impacto en
múltiples habilidades cognitivas como la capacidad de procesamiento de
información, desarrollo del lenguaje e inteligencia visual y meta-
cognitivas como planificación, estrategias de búsqueda y evaluación de
información.
El período de análisis cubre los años 2007-2011. Como estrategia de
identificación se puso especial énfasis en caracterizar las potenciales
dinámicas de acceso a Internet y en el acceso a Internet de alta velocidad
en las escuelas. La metodología de análisis consiste en técnicas de
evaluación de impacto cuasi experimentales (Diferencias en Diferencias y
Emparejamiento) controlando por variables no observables y observables.
Las principales bases de datos utilizadas son el Censo Escolar 2007-2011,
la Evaluación Censal Escolar (ECE) 2007-2011 y la base de datos del
Programa Huascarán-Digete.
Se encuentra que la introducción de tecnologías de la información y la
comunicación (TIC), como la Internet, en la escuela está asociada a
1 Para el caso peruano, definimos a las escuelas con acceso a Internet de banda ancha como aquellas que tienen el tipo de tecnología ADSL y VPN.
8
impactos nulos o positivos sobre el rendimiento, medido como el
porcentaje de estudiantes que alcanzan un nivel de logro educativo
satisfactorio (nivel 2). Los impactos más significativos se encuentran en
los resultados de la ECE del año 2011, en mayor medida en comprensión de
textos que en lógico-matemática. Los resultados de los distintos métodos
que se utilizó para medir el impacto evaluado sugieren que hay un “efecto
año” en el año 2011. Por otro lado, el efecto después de un año del acceso a
Internet está entre 0 y 2,9 en el porcentaje de estudiantes que alcanzan un
nivel satisfactorio en lógico matemática y entre 5,2 y 6,9% en comprensión
de textos.
Asimismo, se estimó el impacto del acceso a Internet de alta velocidad de
las escuelas en los rendimientos del año 2011. Solo 1 de los 16 estimadores
calculados fue significativo controlando por variables observables, pero al
15% de significancia estadísticas. Es decir, el acceso a Internet de alta
velocidad no parece tener un efecto significativo en el desempeño
educativo medido como el porcentaje de estudiantes que alcanzan el nivel
satisfactorio de conocimientos.
9
1. INTRODUCCIÓN2
La prolífica literatura empírica destaca el rol de la educación en diversas
dimensiones como la formación de capital humano, posibilidades de
inserción al mercado laboral y mejoras en la productividad de la economía
(Glewwe, Kremer, Moulin e Itzewitz, 2004). Desafortunadamente, diversas
evaluaciones internacionales constatan que la masificación de la
educación básica en los países en desarrollo ha coincidido con (o ha
causado) una provisión del servicio de baja calidad (Banerjee y Duflo, 2011;
Organización para la Cooperación y Desarrollo Económicos, 2010, entre
otros) con consecuencias en los rendimientos educativos en pruebas
estandarizadas como PISA3. Por esta razón, muchos países han venido
adoptando políticas relativas a la universalización de una educación de
calidad. En particular, resalta el entusiasmo entre los formuladores de
política y las agencias internacionales sobre el rol que desempeñarían las
tecnologías de la información y la comunicación (TIC)4 en este objetivo.
Por su parte, la literatura sobre el uso pedagógico de las TIC y su efecto
sobre la calidad educativa ha enfatizado su potencial efecto sobre el
desarrollo cognitivo de los estudiantes y el desarrollo de habilidades
informáticas per se (Johnson, 2006). De acuerdo con esta línea
argumentativa, el uso de las TIC con fines pedagógicos mejoraría los
procesos de memoria y de atención de los alumnos al incrementar la
efectividad de los procesos de enseñanza-aprendizaje al pasar de un
modelo basado en el profesor a uno basado en el estudiante (Trucano, 2005
2 El autor agradece los excelentes comentarios y sugerencias de Juan León (GRADE), Carmen Montero (IEP) y José S. Rodríguez (PUCP). 3 De acuerdo con los resultados de PISA-2009, en los países latinoamericanos la proporción de alumnos de bajo desempeño (que no alcanza un nivel mínimo de logro) fue de 58% en matemáticas, 45% en lectura y 48% en ciencias, mientras que el promedio de los países de la Organización para la Cooperación y Desarrollo Económicos fue de 20% (Ministerio de Educación de España, 2010). 4 Las TIC consisten en el hardware, el software, las redes y los medios para guardar, procesar, transmitir y presentar información (voz, datos, texto e imágenes) (Banco Mundial, 2011).
10
y Johnson, 2006). De forma paralela, su inserción en las escuelas reduciría
la diferencia de oportunidades entre las personas con y sin acceso a las
nuevas tecnologías, definido como la brecha digital (Sunkel, 2006 y Judge,
Puckett y Bell, 2006).
Sin embargo, recientemente se ha cuestionado si las TIC podrían
deteriorar la calidad educativa en el caso de que sean incorporadas de
forma desarticulada, si el docente no cuenta con el capital humano
necesario para usarlas adecuadamente, si los estudiantes no pueden
apropiarse de dichas tecnologías y emplearlas para mejorar efectivamente
su aprendizaje o si la disponibilidad de aplicaciones educativas y la
infraestructura no soporta su masificación. Estos riesgos no son menores,
si consideramos que los altos costos de entrada (esto es, inversión en
infraestructura) y de mantenimiento de estas intervenciones y la rápida
caducidad tecnológica pueden convertirlas en alternativas poco costo-
efectivas.
La evidencia empírica acerca de un efecto causal presenta resultados no
concluyentes y específicos para el tipo de tecnología y forma de inserción
en la práctica educativa (Claro, 2010; Trucano, 2005; Lee & O'Rourke, 2006;
Jackson et. al., 2006, entre otros). Si bien los programas de computer-aid
instruction (CAI) han recibido recientemente especial atención en la
literatura con resultados de efecto positivos (BID, 2011; Barrow, Markan y
Rose, 20095 y Linden, L., A. Banerjee y E. Duflo, 2003), la investigación
empírica se ha concentrado en torno al papel del computador, y ha
5 Barrow, Markan y Rose (2009) realizan un experimento donde asignan a un grupo de alumnos entre 4to y 9no grado (entre 9 y 16 años) el uso de computadoras para la enseñanza de pre-álgebra y álgebra. Se encuentra efectos positivos significativos en aquellos alumnos que recibieron CAI. Los autores argumentan que esto puede deberse a la enseñanza más individualizada que implicada esta asistencia.
11
encontrado evidencia mixta del impacto. En este punto, llama la atención
la escasez de evidencia empírica para países en desarrollo sobre
fenómenos que han revolucionado la vida económica y social de la
población, como el acceso a la banda ancha (Internet de alta velocidad) y
la telefonía móvil, temáticas que se han trabajado solo de forma tangencial
en algunos estudios (Toyama, 2010). Así, aún existe un largo camino por
recorrer para develar esta relación poco explorada en la literatura local.
En esta tarea, un tema importante que se debe considerar es el hecho de
que una identificación clara del impacto de las TIC en las escuelas podría
enfrentar cuestionamientos metodológicos importantes, asociados a
potenciales problemas de sesgos de selección (presencia de variables
omitidas y problemas de causalidad reversa), que disminuyen la
credibilidad de las estimaciones. Al respecto, recientes evaluaciones con
sofisticados diseños experimentales han logrado un progreso sustancial
para hacer frente a estos problemas y mejorar nuestro entendimiento
acerca del impacto de interés (Aker, Ksolly y Lybbert, 2012; Barrow,
Richburg, Rouse y Brock, 2009; Cristiá, Ibarrarán, Cueto y Severín, 2011;
Jackson, et. al., 2006; Spiezia, 2010). Sin embargo, la baja potencia
estadística y especificidad al contexto limitan en muchos casos la validez
externa de los resultados.
En este contexto, el objetivo principal de la investigación es acercarnos,
desde una perspectiva cuantitativa, a la relación causal entre la
incorporación de las TIC en el rendimiento educativo en el Perú, medido
por indicadores de logro educativo. De manera más específica, se
explorará econométricamente el efecto del avance de la conectividad a
Internet en las escuelas primarias (públicas y privadas) sobre el
desempeño educativo satisfactorio en las pruebas estandarizadas de los
12
estudiantes para el período de análisis 2007-2011, con especial énfasis en
la naturaleza del impacto.
Para ello, se aprovecha dos bases de datos censales: el Censo Escolar
(2007-2011) y la Evaluación Censal de Estudiantes (2007-2011), que
incluyen información sobre infraestructura educativa y desempeño en las
pruebas estandarizadas de los alumnos, entre otras variables. Una
importante ventaja de estos datos es que es información censal de las
instituciones de educación básica del país, lo que reduce los problemas de
validez externa.
La identificación del impacto se realiza en dos fases. Primero, se evalúa
los impactos del acceso a Internet (sea o no de banda ancha). Luego, se
determina si hay diferencias en el tipo de tecnología de acceso (banda
ancha) y su impacto en el desempeño educativo.
Para enfrentar los problemas de endogeneidad, se propone una estrategia
de identificación econométrica mixta basada en la combinación del
método de emparejamiento mediante el propensity score matching (PSM)
y el de diferencias en diferencias (DD). La combinación de ambas
metodologías reduce el riesgo de obtener estimaciones sesgadas y
aumenta la robustez de la estimación (Blundell y Costa Días, 2000).6 La
técnica de DD permite controlar por factores no observables invariantes
(fijos) en el tiempo que podrían estar correlacionados con el tratamiento y
su combinación con técnicas de emparejamiento busca mejorar la
comparabilidad entre los grupos, controlando por heterogeneidad en la
línea de base.
6 Para una de las primeras discusiones sobre este estimador, ver Blundell y Costa Dias (2000).
13
Una limitante de esta investigación es la falta de información que
reporte el uso de la Internet por parte de los estudiantes y el vínculo con
indicadores de desempeño educativo. En un escenario ideal, deberíamos
poder disponer de las siguientes variables a nivel de estudiante,
distinguiendo el uso en la escuela como en el hogar: tiempo online
(minutos/día), número de inicios de sesión por día, número de dominios
visitados por día y número de e-mail diarios (Jackson, et.al., 2006). No
obstante, la investigación contribuye a la literatura empírica local al
proveer una primera aproximación al efecto del avance de la conectividad
en las escuelas en el Perú.
El resto del documento está estructurado de la siguiente forma. En la
sección 2 se realiza una breve revisión de la literatura sobre el impacto de
las TIC e Internet sobre resultados educativos, y se presenta el marco
teórico de la investigación. La sección 3 explica el avance de la
conectividad a Internet y el desempeño educativo en las escuelas
primarias en el Perú. La sección 4 describe las bases de datos utilizadas, y
la sección 5, la metodología econométrica. En las secciones 6 y 7, se
desarrolla la estrategia de identificación del impacto de acceso a Internet
y el impacto de acceso a Internet de banda ancha, respectivamente. La
sección 8 presenta y discute los resultados de ambas evaluaciones.
Finalmente, la sección 9 concluye con consideraciones sobre las
implicancias de los hallazgos.”
14
2. ANTECEDENTES
En esta sección discutimos el marco teórico de referencia que nos sirve
para plantear la hipótesis sobre la dirección del impacto que guía la
interpretación de los resultados. Asimismo, se presenta una breve revisión
de literatura empírica.
2.1 Marco teórico
El documento se sitúa conceptualmente dentro de la extensa literatura
sobre la función de producción educativa y la controversia sobre el papel
de los insumos educativos (Glewwe, Kremer, Moulin y Zitzewitz, 2004;
Hanushek y Lavy, 1993; Kremer, 2003; Kremer, Miguel y Thornton, 2009;
Duflo, Glennerster y Kremer, 2008). Siguiendo esta aproximación, la
función de producción educativa se define como aquella que relaciona
cantidades de factores de producción empleados (inputs), dado un estado
de la tecnología, con niveles de producto o resultados obtenidos (outputs).
De acuerdo con ello, el trabajo de Glewwe, Kremer, Moulin y Zitzewitz
(2004) plantea una función de producción para el aprendizaje que se
puede representar como una relación estructural de la manera siguiente:
( , , , , I)A a S Q C H
Donde A son las habilidades aprendidas (logros), S son los años de
escolaridad, Q es un vector de características de la escuela y del maestro
(calidad), C es un vector de características del niño (incluida la “capacidad
innata”), H es un vector de características del hogar (esto es, las
preferencias de los padres por la educación, tamaño de la familia,
capacidad de gasto, restricciones crediticias, entre otras variables
15
socioeconómicas) e I es un vector de insumos escolares que están bajo el
control de los padres y, por tanto, son endógenos, tales como la compra de
libros de texto y otros materiales.7
La relación planteada es considerada estructural debido a que se
mantiene (o no se modifica) pese a que los agentes involucrados (los
hogares o escuelas) modifiquen su provisión de insumos ante la provisión
exógena de algún otro insumo de la función de producción (Duflo,
Glennerster y Kremer, 2008). Luego de esta sustitución de insumos
endógenos, según el grado de complementariedad o sustitución entre
ellos, se obtiene una función en su forma reducida:
( ,x)A f i
Donde i denota el input de interés (el acceso a Internet) y X, otros
insumos educativos, que pueden incluir características de los estudiantes
y la escuela a la cual asisten. Sin embargo, ¿cómo el acceso a internet
afecta el rendimiento educativo en estudiantes de segundo de primaria,
entre 7 y 8 años de edad?
De acuerdo al marco teórico propuesto por Johnson (2006)8, sintetizado
en la Ilustración 1 , el uso de la Internet tiene un efecto positivo en el
proceso cognitivo. A partir de una revisión de los tres principales usos de
la Internet, se identifica los canales mediante los cuales cada uno tiene un
impacto en el aprendizaje. El uso de video juegos estimula la memoria
visual, la capacidad de concentración, el procesamiento de información y
su velocidad, habilidades de percepción visual y meta-cognitivas o
habilidades para saber cómo y cuándo aprender, tales como planificación
7 Los precios también tienen relación con la educación, ya que pueden incluir los gastos de escolaridad, los precios de los útiles escolares comprados por los padres e, incluso, los salarios pagados por trabajo infantil. Sin embargo, no se consideran en la ecuación debido a que su efecto funciona a través de las decisiones tomadas por las variables endógenas S e I. 8 Johnson (2006) desarrolla el marco teórico sobre la base de las siguientes teorías del desarrollo cognitivo: Modelo Cognitivo de Procesamiento de Información, Perspectiva Sociocultural del Desarrollo Cognitivo, Modelo de Procesamiento Cognitivo PASS (Planning, Attention-Arousal, Simultaneous and Successive) y Neurología del Proceso Cognitivo.
16
y evaluación de información, así como la resolución de problemas. El
acceso a sitios web también tiene un impacto en estas habilidades meta-
cognitivas y de percepción visual debido a que exigen al usuario
plantearse estrategias de aprendizaje eficientes frente a todo el universo
de información, estrategias vinculadas al modelo de aprendizaje de
procesamiento de información el cual consiste en estimular las
capacidades como: selección, capacidad de memoria e interpretación de
información. Además, el acceso a la información de sitios web amplifica la
base de conocimiento y el uso del lenguaje. Finalmente, el uso de este
recurso como herramienta comunicacional (redes sociales) potencia la
velocidad y la capacidad sucesiva de procesamiento de información y el
desarrollo del lenguaje y la alfabetización. Ilustración 1 Marco teórico sobre los efectos de la Internet en el proceso cognitivo
Fuente: Johnson (2006)
Video juegos
Sitios web
Comunicación
• Memoria visual
• Atención y concentración
• Procesamiento simultáneo
• Meta-cognición
• Percepción visual
• Velocidad de procesamiento
• Conocimiento base
• Lenguaje y alfabetización
• Procesamiento secuencial
17
2.2 Evidencia del impacto
Diversos autores sostienen la existencia de un efecto positivo de la
inserción de las nuevas tecnologías de la información y comunicación
(TIC) en el ámbito educativo. Aker, J., C. Ksolly y T. Lybbert (2012) reportan
que el uso de celulares en África tuvo un impacto positivo en el acceso a
servicios públicos, como la educación, con impacto en los niveles de
alfabetización. Asimismo, las TIC podrían tener efectos positivos en el
rendimiento educativo mediante el incremento en habilidades cognitivas
y meta-cognitivas, tal como se desarrolló en el marco teórico.
La literatura empírica se ha concentrado, en la última década, en evaluar
las consecuencias del uso de computadoras en el desempeño de los
escolares. A nivel de países desarrollados, Spiezia (2010) realiza un estudio
sobre los efectos del uso de computadoras (en la escuela y/o en el hogar)
en el desempeño educativo en la sección de ciencias (física y química) de
la prueba PISA 2006, controlando el sesgo de selección de uso del
computador en el hogar con características de los estudiantes y de sus
hogares. La muestra considera estudiantes de 33 países, 26 de la OECD y 7
países candidatos. Los resultados muestran un impacto positivo que se
potencia en aquellos estudiantes que además de usar la computadora en el
colegio la utilizan en sus hogares.
Por otro lado, Peltenburg, den Heuvel y Doig (2009), se enfocan en
alumnos entre 8 y 12 años en dos escuelas de educación especial en
Holanda. Los resultados muestran que el uso de un computador y
herramientas visuales para explicar problemas matemáticos permite a los
estudiantes resolver problemas que no podían realizar con la forma de
enseñanza tradicional.
18
Ramón y Murillo (2012) encuentran, a partir de una muestra de
estudiantes de sexto grado de primaria de 16 países de países de América
Latina, que aquellos alumnos que tienen acceso a una computadora en su
hogar tienen mejor desempeño en pruebas estandarizas. Este efecto es
mayor si cuentan con más de 10 computadoras en su escuela. Ambos
efectos se dan a pesar de controlar por variables socioeconómicas. Del
mismo modo, Cristiá, J., A. Czerwonkoy y P. Garofalo (2010) evalúan un
proyecto del BID para proveer de electricidad y 10 computadoras por
escuela pública en el Perú, proyecto considerado dentro del Programa
Huascarán. El proyecto también priorizó el acceso a Internet en estos
centros educativos. Además de ser escuelas públicas, se escogieron las de
mayor tasa de matrícula, en las que había un compromiso del director y
los docentes, y escuelas con mayor facilidad de acceso. El estudio
encuentra un impacto estadísticamente nulo en la tasa de repetición,
deserción y matrícula escolar. No se consideraron variables de
rendimiento educativo.
Lee y O'Rourke (2006) realizan un análisis cualitativo sobre el efecto del
uso de computadoras (hardware) y programas educativos (software)
provistos por IBM por el programa KidSmart Early Learning en niños entre
4 y 5 años en el oeste de Australia. El programa ofrecía 1 computador por
cada dos estudiantes. Los autores concluyen que estos elementos son una
herramienta para mejorar la alfabetización mediante técnicas
tradicionales de enseñanza, así como un instrumento para estimular en
los niños comportamientos colaborativos que generen diálogos del tipo
resolución de problemas ("prueba esto o sino esto"), así como lenguaje de
planificación y organizacional. De la misma forma, ayuda el desarrollo de
múltiples niveles de alfabetización, tal como es el caso de alumnos que
requieren de técnicas de aprendizaje más visuales.
19
Con respecto al software manejado, Lee y O'Rourke (2006) señalan que
algunas referencias culturales de Australia estaban desactualizadas y que
eran utilizadas como un ejemplo de que el computador no siempre estará
en lo correcto y que ellos necesitan cuestionar constantemente la
información que este les brinda. Esto está vinculado con otro hallazgo del
estudio referido a la consolidación de conocimientos previos a partir de la
información que brinda el software. Sin una adecuada capacitación al
docente, este puede utilizar el computador como una simple herramienta
más del plan de estudios haciendo que aprender a usarla sea el fin en sí
mismo. Sin embargo, docentes con acompañamiento mostraron un uso
más integral que implicaba cambios en la forma como los estudiantes
aprendían y qué aprendían.
En el Perú, se han encontrado resultados valiosos del programa One
Laptop per Child (OLPC). Este programa consiste en entregar laptops XO-1
con software de aprendizaje a niños de escuelas públicas en el Perú entre
6 y 12 años. Sin embargo, como señalan Villanueva-Mansilla y Olivera
(2012), toda innovación enfrenta barreras institucionales. El ideal del
programa era generar un aprendizaje colectivo entre los docentes,
directores y los alumnos. Sin embargo, desde un inicio se negó la
participación de docentes y del sistema educativo en general lo cual hizo
que la iniciativa fuera recibida con recelo por muchas de las personas
involucradas en la educación.
“Si bien las entrevistas mostraron que los directores, docentes y
alumnos perciben la XO-1 como una herramienta positiva para la
escuela, la falta de capacitación aparecía como una gran barrera”
(Villanueva-Mansilla y Olivera 2012, p.198).
20
Asimismo, la expectativa sobre las XO-1 era que permitieran aprender el
empleo de una computadora en vez de ser una herramienta de
aprendizaje. Por esta razón se encontró un uso limitado y exclusivo para el
horario de computación. Incluso, algunos docentes consideraban que
deberían ser utilizadas solo por los estudiantes de los primeros grados de
primaria y que los alumnos mayores deberían utilizar computadoras con
sistema operativo Windows ya que eso es lo que el mercado laboral
demanda. Estos inconvenientes están estrechamente vinculados a la falta
de inclusión de los docentes y directores en el programa.
Cristiá, Cueto, Ibarrarán, Santiago y Severin (2011) evalúan los efectos del
programa OLPC. El estudio no encuentra efectos en la tasa de matrícula o
pruebas estandarizadas de Lógico Matemática o Comprensión Lectora. Sin
embargo, se encontraron resultados positivos en las pruebas de
habilidades cognitivas generales que miden razonamiento abstracto no-
verbal, de fluidez verbal que captura funciones del lenguaje y en pruebas
de codificación, las cuales miden la velocidad de procesamiento y la
capacidad de memoria de los estudiantes. De acuerdo a los autores, para
alcanzar un impacto positivo en lógico matemática y comprensión lectora,
el uso de las XO-1 requiere de una guía de alta calidad lo cual implica
vincular más a los docentes en el programa mediante mejores
capacitaciones. Esto coincide con los hallazgos de Lee y O'Rourke (2006)
presentados anteriormente para el caso del programa KidSmart Early
Learning en Australia, donde se muestra que docentes con un adecuado
acompañamiento mostraron un uso integral de las computadoras como
complemento de las técnica tradicionales.
Con respecto a los efectos en el uso de la Internet, Sprietsma (2007)
evalúa el efecto de la disponibilidad de un laboratorio de cómputo en la
escuela y el uso de las computadoras y la Internet con fines pedagógicos
21
en el rendimiento de pruebas estandarizadas de estudiantes de 4to (10
años), 8vo (14 años) y 11vo grado (16-17 años). La metodología consiste en la
construcción de un pseudo panel a la Deaton con tres cortes: 1999, 2011 y
2003. Se encuentra que la existencia de laboratorios de cómputo tiene
efectos negativos en Comprensión Lectora y, en especial, en Lógico
Matemática. Una hipótesis es que estos efectos negativos se deban a un
trade-off entre invertir en laboratorios de cómputo, contra otros métodos
de enseñanza. Sin embargo, se halla que el uso de la Internet por el
profesor con fines pedagógicos si tiene un impacto positivo en los
resultados de ambas disciplinas.
Sobre el acceso a Internet en el hogar, Vigdor y Ladd (2010) evalúan su
efecto en el rendimiento educativo de estudiantes de Carolina del Sur-
Estados Unidos entre 5 y 8 grado (10-14 años de edad). Encuentran un
impacto negativo en los resultados de lógico matemática y comprensión
lectora de manera significativa y persistente. Argumentan, que esto puede
deberse a un ineficiente rol de los padres para controlar el uso de la
Internet en sus hijos.
Asimismo, Chandra y Loyd (2008) realizan un experimento con
estudiantes de secundaria entre 15 y 16 en Australia en el curso de
ciencias (química y física). Todos los estudiantes reciben el curso de
forma tradicional (presencial) el primer año y, en el segundo año, un grupo
de forma semi-presencial (blended) y otro igual que en primer año. Se
encuentra un impacto positivo en aquellos estudiantes que llevaron el
curso de manera semi-presencial aunque no fue un impacto global debido
a que algunos estudiantes tenían dificultades para adaptarse a la nueva
dinámica del curso.
22
Jackson, et. al. (2006), desarrollan un estudio longitudinal del proyecto de
la Universidad Estatal de Michigan llamado HomeNetToo el cual consiste
en dar acceso a la Internet a niños de bajos ingresos entre 10 y 18 años
(13.8 años de edad en promedio). La principal hipótesis del estudio es que
un mayor uso de la Internet en el hogar estará asociado a un mejor
desempeño académico. Se midió continuamente el uso de internet por 16
meses con indicadores del tiempo online (min/día), número de inicios de
sesión por día, de dominios visitados por día y número de e-mail diarios.
El rendimiento educativo se midió con los resultados del GPA (Grade Point
Averages) y del examen del MEAP (Michigan Education Assessment
Program) al inicio de la evaluación, después de 6 meses y 1 años de
exposición al "tratamiento". Se encuentra efectos positivos del uso de la
Internet en los exámenes estandarizados después de 6 meses, 1 años y 16
meses, y no se encontró efectos diferenciados por edades.
23
3. AVANCE DE LA CONECTIVIDAD EN LAS ESCUELAS Y
DESEMPEÑO EDUCATIVO
En cuanto al avance de la conectividad a Internet en las escuelas, el Perú,
al año 2012, todavía se encuentra bastante rezagado en relación con el
ámbito internacional, con solo el 26,3% de escuelas de educación primaria
y 49,6% de educación secundaria conectadas (ver Tabla 1).9 Pese a este
escenario, un número cada vez mayor de escuelas ha optado por acceder a
una conexión a Internet. Así, en el caso de escuelas primarias, esta cifra es
ocho veces mayor que en el año 2004. Este mayor acceso, empero, se ha
caracterizado por un ritmo de adopción diferenciado si se considera el
ámbito geográfico de la escuela, lo que podría tener repercusiones
importantes en términos de equidad.
9 Según cifras del año 2009-2010 del reporte de la Unesco (2012) de acceso a Internet de Primaria-Secundaria, el país estaría ubicado apenas por encima de países como Nicaragua (4-9%%), Paraguay (8-18%) y Venezuela (20-15%). Frente a ello, países de la región como Argentina (29-50%), Brasil (41-76%), Chile (55-56%) y Colombia (66-93%) se encuentran muy por encima, sin contar a los países de Asia y Europa, cuyo porcentaje de conectividad en las escuelas es muy cercano al 100%.
24
Tabla 1. Porcentaje de escuelas de educación primaria y secundaria que cuentan con acceso a Internet. Perú: 2000-
2012.
Año Primaria Secundaria
Total Urbana Rural Total Urbana Rural
2000 1,6 5,4 0,1 8,3 12,6 0,5
2001 1,8 6 0,1 9,3 14,7 0,5
2002 2,6 7,4 0,3 11,3 16,1 2,1
2003 1,8 5,9 0 9,5 14,9 0,4
2004 3,3 10,1 0 16,8 25,4 1,2
2005 5,9 15,3 0,1 19,2 25,9 0,8
2006 10,7 31,8 0,9 31,9 48,2 5,9
2007 10,9 29,3 0,8 31,6 43,7 6,2
2008 11,8 31,3 1,7 32,8 45,4 9,3
2009 10,7 26,9 0,6 27,8 38,2 3,1
2010 16,3 40 1,2 41,9 56,7 6,4
2011 17,4 36,8 4,8 36,7 49,2 8,9
2012 26,3 54 8,5 49,6 65,5 14,8
Fuente: Censo Escolar del Ministerio de Educación-Unidad de Estadística Educativa. Disponible en:
<http://escale.minedu.gob.pe/tendencias. Fecha de consulta: 27/06/2013>.
Se aprecia un rezago en la adopción por parte de las escuelas rurales
frente a las ubicadas en zonas urbanas. De esta forma, en el 2004, solo
menos del 1% del total de escuelas rurales contaban con acceso a Internet;
en la actualidad, si bien ha habido grandes mejoras (9%), aún se
mantienen las disparidades.
En relación con las iniciativas promovidas por el Estado que buscan
integrar las TIC dentro del ámbito educativo, el Ministerio de Educación
ha venido implementando diversos programas para proveer
infraestructura tecnológica, que incluían capacitaciones en TIC para los
profesores, así como elaboración de contenidos digitales. Así, a lo largo de
las últimas décadas, las iniciativas que han logrado mayor notoriedad,
tanto por el respaldo político obtenido como por los fondos públicos
25
involucrados, han sido el Programa Huascarán y el programa One Laptop
per Child (OLPC).
El Programa Huascarán, creado el 2001, brindaba conectividad
subsidiada (gratuita) a las escuelas, y mostró su mayor despliegue entre el
año 2004 y 2006 en escuelas públicas.10 Si bien se contaba con criterios de
priorización y procedimientos para la selección de instituciones
educativas beneficiarias, en muchos casos estos no fueron tomados en
cuenta y, en la ejecución efectiva, primaron consideraciones políticas y
contextuales (ver el Anexo 1). De esta forma, solo se siguieron criterios
técnicos mínimos tales como infraestructura tecnológica (cableado de
datos o red inalámbrica, cableado eléctrico, sistemas de protección) y
cobertura de servicios de los operadores de telecomunicaciones, según el
presupuesto para la instalación de conectividad.
No es de extrañar que, luego de una serie de cuestionamientos en
relación con la capacidad de gestión e instrumentalización de la selección
de beneficiaros con fines políticos, en el 2007 el Programa Huascarán
haya sido absorbido, junto con otros, por la recientemente creada
Dirección General de Tecnologías Educativas (Digete), que, a pesar de
haber seguido proveyendo el servicio, no expandió el acceso. Así, el
avance en conectividad quedó prácticamente estancado a partir de esa
fecha (Ilustración 2).11 Esto contrasta con, y quizás explica, el importante
avance del programa OLPC, creado en el 2008, que otorga laptops XO a
escuelas públicas de localidades en pobreza (no conectividad a Internet)
bajo algunos criterios mínimos (existencia de servicio de electricidad).
10 Decreto Supremo 067-2001-PCM. 11 Para más información, ver Decreto Supremo 016-2007-ED, “Modifican artículo 49 del ROF y aprueban la fusión de los Proyectos PEAR y Huascarán así como el Programa de Mejoramiento de la Educación Secundaria en Direcciones Generales del Ministerio de Educación”.
26
Ilustración 2. Flujo de escuelas atendidas por la Digete según fecha de instalación de conectividad a Internet
Fuente: Digete.
Elaboración propia.
En el año 2007 se implementó la estrategia de Presupuesto por
Resultados en el ámbito educativo, que significó el inicio del seguimiento
de los logros de aprendizaje en la educación básica regular, con énfasis en
la educación inicial y primaria (primer y segundo grados). Ese año se
realizó la primera evaluación censal de los alumnos, con resultados que
evidenciaron la baja calidad educativa, pues solo 15,9% y 7,2% de las
instituciones educativas lograron tener un desempeño satisfactorio en
comprensión lectora y en lógico-matemática, respectivamente (ver la
Ilustración 3).
Frente a estos resultados, el Minedu formuló el Programa Estratégico
Logros de Aprendizaje (PELA), que contempla el avance en el desarrollo de
la enseñanza, fortalecimiento y especialización de los docentes de
escuelas públicas, la distribución de material educativo, la evaluación de
estudiantes en la institución educativa pública y el avance físico de las
regiones en cobertura de la educación inicial y acompañamiento
pedagógico a docentes.12
12 La selección de las instituciones educativas que son acompañadas está sujeta a tres criterios: (a) instituciones educativas públicas que tengan un mayor índice de pobreza, (2) instituciones
Número de escuelas
2003 106
2004 823
2005 296
2006 903
2007 30
2008 74
2009 218
2010 58
2011 132
2012 194
106
823
296
903
307 4
218
58132
194
0
200
400
600
800
1000
2003 2004 2005 2006 2007 2008 2009 2010 2011 2012
Número de escuelas
27
A la fecha, se ha logrado un avance notable en cuanto a logros de
aprendizaje en comprensión lectora y lógico-matemática, aunque menor
en este último (Ilustración 3).
Ilustración 3. Resultados generales 2007-2012 de la muestra control (Porcentaje de alumnos según nivel de desempeño)
Fuente: Resultados generales 2007-2012 (muestra control).
Elaboración propia.
educativas que presenten un menor resultado de aprendizaje y (c) instituciones educativas que tengan una mayor concentración de población estudiantil.
0,0
10,0
20,0
30,0
40,0
50,0
60,0
2007 2008 2009 2010 2011 2012
<NIVEL 1 (en inicio)
COMPRENSIÓN LECTORA LÓGICO-MATEMÁTICA
0,0
10,0
20,0
30,0
40,0
50,0
60,0
2007 2008 2009 2010 2011 2012
NIVEL 1 (en proceso)
COMPRENSIÓN LECTORA LÓGICO-MATEMÁTICA
0,0
5,0
10,0
15,0
20,0
25,0
30,0
35,0
2007 2008 2009 2010 2011 2012
NIVEL 2 (satisfactorio)
COMPRENSIÓN LECTORA LÓGICO-MATEMÁTICA
28
4. BASES DE DATOS
Las dos principales fuentes de información de la investigación son el
Censo Escolar, conducido anualmente desde el año 1998 por el Minedu, en
cooperación con las instancias de gestión educativa descentralizada, y la
Evaluación Censal de Estudiantes (ECE) realizada desde el año 2007. Para
la investigación, se emplea la base de observaciones comunes entre la
ECE y el CE para el período 2007-2011, de manera que se tiene una base de
datos de panel, empatada con el código modular y el anexo.
Las características de cada institución educativa se obtuvieron del Censo
Escolar, y las variables de resultado, de la ECE. Con respecto al primero, se
tuvo especial cuidado en elegir las variables que pueden ser seguidas
durante todos los años de estudio. Esto se debe a que no se han mantenido
las mismas preguntas entre años, la formulación de las preguntas ha
cambiado o la codificación es diferente año a año, lo cual implica un
trabajo para hacer consistentes las distintas versiones del censo.
La ECE es una prueba estandarizada y representativa en el nivel
nacional, que se realiza a los estudiantes de segundo de primaria sobre
dos áreas curriculares: comprensión lectora y lógico-matemática. Los
resultados de los niveles de logro de aprendizaje de la ECE son
comparables para todo nuestro período de análisis. En este estudio se
utiliza como variables de resultado el porcentaje de estudiantes de
segundo grado de primaria que alcanzaron el nivel de desempeño
satisfactorio (nivel 2) en comprensión lectora y lógico-matemática. A
pesar de que no podamos seguir a los mismos estudiantes en el tiempo,
podemos observar el rendimiento de cada nueva cohorte de segundo
grado de primaria para inferir el impacto del acceso a Internet en el
desempeño educativo. De tal forma que nuestra unidad de análisis serían
29
indicadores de rendimiento académico a nivel de institución educativa
seguida en el tiempo.
La información sobre la variable de tratamiento, conectividad a Internet,
proviene del módulo del Censo Escolar referido al local escolar, que recoge
datos de infraestructura, servicios básicos y mobiliario, entre otros. Esta
información es complementada con la provista por el MINEDU sobre
conectividad subsidiada otorgada por el Estado a través de la DIGETE
debido a que se encontró algunas escuelas que en el CE no reportaban
tener acceso a internet pero si en la base de la DIGETE. Este registro
administrativo contiene la fecha de instalación y el tipo de instalación
(ancho de banda) y contrato para cada una de las escuelas beneficiadas.
La información de la DIGETE será aprovechada para estudiar potenciales
efectos heterogéneos según tipo de acceso a Internet. Adicionalmente, se
utiliza la altitud del distrito para capturar diferencias geográficas entre
escuelas y su relación con la facilidad de provisión del servicio de acceso
a Internet.
La principal limitación de las bases previamente descritas es que no
recogen información sobre variables socioeconómicas de los alumnos o
del hogar. En la medida en que el diseño de la evaluación debe contemplar
las posibles fuentes de heterogeneidad en las respuestas de los que
acceden al tratamiento, se propone el uso adicional del Censo Nacional XI
de Población y VI de Vivienda (Censo 2007), el IX Censo de Población y IV
de Vivienda (Censo 1993) y los indicadores del Mapa de Pobreza 2007,
construido sobre la base del Censo 2007, para capturar las características
promedio de la población del distrito donde está localizada la institución
educativa.
30
5. METODOLOGÍA ECONOMÉTRICA
¿Qué queremos estimar? Buscamos calcular el efecto que tiene el acceso
a Internet y el acceso a Internet de alta velocidad en el rendimiento
educativo13. Para esto, sería necesario saber qué hubiera ocurrido con
aquellas escuelas que accedieron a este servicio en caso de que no lo
hubieran hecho. Claramente, este segundo escenario es imposible de
observar. En esto consiste el problema fundamental de toda evaluación de
impacto (Khandker, Koolwal y Samad, 2010): hallar este contrafactual.
Explícitamente, el problema consiste en encontrar el segundo término de
la siguiente ecuación:
Siguiendo la Ilustración 4, queremos estimar los efectos en los tratados
de acceder a Internet en el momento t. Con este fin, asumimos que la
tendencia de los “no tratados”, puntos C y D, hubiera sido la misma para
los tratados en caso no hubieran accedido al servicio (puntos A y B). De
esta forma, el efecto neto del acceso a Internet sería la diferencia entre Z y
A, descontando la tendencia sin tratamiento, B-A, lo cual, despejando
términos nos deja la resta Z-B, equivalente a la ecuación anterior. Como se
puede apreciar, estimamos B a partir de lo que ocurre con las
observaciones que no acceden a la Internet.
13 Es posible que otras escuelas tengan Internet de alta velocidad por otro medio además de la DIGETE por lo que más adelante se detalla la estrategia de identificación que evita este potencial sesgo.
31
Ilustración 4 Estimador Diferencias en Diferencias
Las alternativas econométricas de evaluación de impacto que pueden
aplicarse dependen del tipo de datos con los que se cuenta. Como ya se
mencionó en la sección anterior, la información disponible nos permite
construir una base de datos de panel en el nivel de la escuela y así estimar
el impacto por diferencias en diferencias (DD). Sin embargo, este
estimador no controla por características observables de las escuelas. Una
alternativa es plantear un modelo de regresión lineal clásico y controlar
por variables observables (a nivel de escuela y distrito) asumiendo una
relación lineal entre estas variables de control y el resultado. En esta
investigación se propone estimar esta relación entre las características
observables y la variable utilizando métodos de evaluación cuasi
experimental no paramétricos, cuya principal ventaja es una mayor
libertad para hallar mejores contrafactuales.
Primero analizamos la derivación del estimador propensity score
matching (PSM) para una muestra de corte transversal y luego incluimos
0
1
2
3
4
5
6
7
8
9
1 2 3 4 5 6 7
Tratado
Tratado sin recibirtratamiento
No tratado
B-A=2
D-C=2
A
B
D
C
Z
Z-(B-A)
t-1 t t+1
32
las características del estimador de diferencias en diferencias (DD) para
una muestra de datos de panel a fin de derivar el estimador PSM-DD.
Formalmente, siguiendo el planteamiento de Blundell y Costa Dias
(2000), tenemos:
(1)
Donde la variable de resultado de T y C, grupo de tratamiento y control,
respectivamente, depende de una función de las características
observables X y de un término de error . La diferencia de ambas
ecuaciones nos permite estimar el efecto tratamiento promedio en los
tratados (ATT por sus siglas en inglés):
(2)
Este planteamiento asume independencia condicional entre el grupo de
control C y la decisión de participación en el programa, es decir:
(3)
Descomponiendo el ATT :
(4)
33
Siguiendo a Rosenbaum y Rubin (1983), se puede simplificar el problema
de dimensión de X utilizando como un único indicador para emparejar las
observaciones la probabilidad de participación en función de X:
(5)
Así el estimador correspondiente es:
(6)
Donde es un ponderador de la observación de no tratamiento j para el
individuo de tratamiento i, y es el ponderador que ajusta la distribución
del resultado a la muestra de tratados. Estos ponderadores dependen del
método de emparejamiento utilizado. Por ejemplo, en el caso del vecino
más cercano (NN), el estimador es el siguiente:
(7)
Sin embargo, asumir (3) o (5) es un supuesto fuerte, en especial si los
individuos pueden elegir participar o no en el programa en función de su
predicción del resultado esperado de hacerlo. Utilizando diferencias en
diferencias (DD), se puede aislar esta variable no observable.
Consideremos la siguiente estructura alternativa a (1):
34
(8)
Donde la función cambia en el tiempo y se controla la variable
resultado por características del periodo analizado y características
individuales .onces, las condiciones (3) y (5) se pueden expresar así:
(9)
(10)
Se asume que la diferencia del resultado es independiente de la decisión
de cambio en vez de asumir la independencia en niveles. Entonces,
reemplazamos la ecuación (6) por el siguiente estimador de ATT PSM-DD:
(11)
Una distinción clave entre el método de DD con controles lineales y el
PSM-DD es la interpretación de las variables de control. En el primer
método, las variables de control cumplen el rol de variables explicativas
de la variable endógena “porcentaje de estudiantes de segundo año de
35
primaria que logran el nivel satisfactorio de conocimientos”. Mientras que
en el segundo método, las variables de control sirven para explicar la
probabilidad de acceso a la Internet y así encontrar escuelas parecidas y
cuya principal diferencia sea el tener acceso o no, para luego comparar la
variable endógena de interés. Esto debe tenerse en consideración al
momento de interpretar los resultados.
36
6. IDENTIFICACIÓN DEL IMPACTO DEL ACCESO A INTERNET
¿Cómo estudiar el efecto del acceso a Internet en el rendimiento
académico de los estudiantes? La ECE permite medir año a año, para el
período 2007-2011, el rendimiento escolar de los estudiantes de segundo
de primaria en el nivel de código modular + anexo. Entonces, hay que
determinar todas las posibles dinámicas de acceso a Internet en este
período y definir qué escuelas estudiar. En la Tabla 2 se ilustran estas
posibles dinámicas, donde se toma como punto de partida a aquellas
escuelas que en el 2007 no tenían acceso a Internet, y se coloca el número
de escuelas para cada tipo de dinámica de acceso.
Tabla 2. Dinámicas del acceso a Internet evaluadas
Fuentes: ECE 2007-2011, CE 2007-2011 y Digete 2012.
Nota: Solo se considera aquellas escuelas que en el año 2007 no tenían acceso a la Internet. Elaboración propia.
Se tuvieron dos criterios de exclusión para considerar solo escuelas en
las que el acceso a Internet pudo tener algún canal de transmisión
constante hacia el rendimiento educativo y definir un grupo contrafactual
que cuente con estos canales de transmisión pero que no tenga acceso a
Internet. Primero, se excluyeron del análisis aquellas escuelas que no
siguen estos patrones propuestos y, por consiguiente, no permiten una
clara identificación del impacto evaluado, tales como escuelas que
2007 2008 2009 2010 2011
I 0 1 1 1 1 141
II 0 0 1 1 1 145
III 0 0 0 1 1 373
IV 0 0 0 0 1 1.293
V 0 0 0 0 0 20.057
22.009
GruposAcceso (1) y no acceso (0) a internet Número de escuelas Panel 2007-
2011
Total
37
accedieron al servicio en un año t pero no contaron con este en el año t+k.
Segundo, se excluyeron aquellas escuelas que, para al menos un año entre
la fecha de impacto t y el año de evaluación t+k, no cuentan con
computadoras para la enseñanza. Entonces, se asume que sin
computadoras destinadas para el uso educativo, no existen canales de
transmisión entre el acceso a Internet y el desempeño educativo. Suponer
lo contrario implicaría considerar escuelas que no tienen estos activos.
Por lo tanto, el impacto evaluado no sería el acceso a Internet sino el
acceso a Internet más el tener una computadora de uso educativo.
La segunda pregunta es cuándo medir el impacto. Se ha optado por
evaluar el impacto a partir de la ECE del año siguiente al acceso al servicio
de Internet. Por ejemplo, si la escuela accedió al servicio en el 2008,
podemos evaluar su impacto en el 2009, 2010 y 2011, diferenciado respecto
a la variable resultado del año 2007, y así tener una suerte de
aproximación al “tamaño de la dosis” del tratamiento que también puede
entenderse como la apropiación de los docentes y un mejor uso del acceso
a la Internet. Debido al tamaño de la muestra, no se excluyen aquellas
escuelas que accedieron al servicio de Internet en el año en el que
evaluamos el impacto; es decir, en el caso de evaluar los efectos en las
escuelas que accedieron a Internet en el 2008 (grupo I) y su impacto en el
resultado de desempeño educativo del 2009, no se excluye del análisis al
grupo II (aquellos que accedieron al servicio en el 2009). Entonces, se
asume que el acceso a internet no tiene impactos en el mismo año de
acceso al servicio, lo cual es un supuesto válido considerando que la
exposición al tratamiento sería mínima. La comparación se hace con
respecto a los grupos II+III+IV+V.
De esta manera, tenemos dos opciones de evaluación: efectos dinámicos
del impacto y efecto al año siguiente. Los años y los distintos grupos
38
utilizados para evaluar el impacto del acceso a Internet en el año t se
resumen en la Tabla 3.
Tabla3. Esquemas de evaluación
Elaboración propia.
Por otro lado, la ventaja de este esquema de análisis es que ayuda a
robustecer los resultados ante un posible sesgo por la endogeneidad en el
acceso a Internet. Aquellas escuelas que accedieron primero al servicio de
Internet probablemente tienen una mejor dotación de infraestructura
inicial, tanto en el colegio como a nivel distrital, frente a aquellas escuelas
que no accedieron al servicio o que lo hicieron después. Del mismo modo,
los criterios de exclusión permiten minimizar este posible sesgo.
Grupo
I vs IV+V 2009 2010 2011
II vs
IV+V 2010 2011
Grupo
I vs
II+III+I
V+V
II vs
III+IV+V
III vs
IV+V
2010
2011
I-Efectos dinámicos
Resultado de desempeño t+k respecto al año t-1
II-Efectos a 1 año del acceso
Resultado t+1 respecto a t-1
2009
39
7. IDENTIFICACIÓN DEL IMPACTO DEL ACCESO A INTERNET
DE BANDA ANCHA
Antes de plantear la estrategia de identificación del impacto del acceso a
Internet de banda ancha, se revisará la base de datos disponible para este
propósito y una exposición de sus limitaciones. Finalmente, se desarrolla
la estrategia de identificación de acuerdo con la base de datos elegida.
Base de datos utilizada para el análisis de banda ancha:
La base de datos es la de la DIGETE-Programa Huascarán la cual cubre
los años 2003-2012. Presenta información por tipo de acceso para las
escuelas que fueron beneficiadas por el programa, las cuales son un grupo
muy particular dentro del total de escuelas. Los criterios para que una
escuela sea elegible fueron sistematizados a partir del anexo 1 y se
presentan en la Tabla 4.
Tabla 4. Criterios para determinar a las instituciones educativas que pueden participar en el Programa
Huascarán
1 Gestión pública, zona rural o urbano marginal.
2 Contar con cerco periférico y energía eléctrica (infraestructura adecuada).
3 Ambiente disponible y seguro (¿parecido al punto 2?).
4 Distritos no atendidos a la fecha (de preferencia) salvo Lima Metropolitana y Callao.
5 Ordenar de según número de estudiantes de mayor a menor.
Fuente: Sitio web del MINEDU
40
La base de datos identifica el tipo de tecnología de acceso a Internet, de
tal manera que es posible definir aquellas escuelas con acceso Internet a
través de un tipo de tecnología de alta velocidad. Así, definimos a las
escuelas con acceso a Internet de banda ancha como aquellas que tienen
el tipo de tecnología ADSL y VPN. Debido a que los datos de resultados de
desempeño educativo son del período 2007-2011, solo podemos evaluar
con la metodología DD y DD-PSM propuesta, a aquellas escuelas que
accedieron al servicio entre los años 2008 y 2010.14 En la Tabla 5 se
resume el número de observaciones por tipo de tecnología de acceso a
Internet para los años de evaluación.
Tabla 5. Flujo de acceso a Internet por tipo de tecnología, 2008-2010
Fuente: DIGETE-Programa Huascarán
Esta sería la base de datos más confiable para identificar a los
beneficiarios del acceso a Internet de banda ancha. Sin embargo, solo
tenemos 58 escuelas que accedieron al servicio en el año 2010.
Identificación
Debido a que solo contamos con escuelas que accedieron al servicio de
Internet de banda ancha en el 2010, únicamente se pueden estimar los
14 Es posible hacer el análisis a nivel de corte, pero debido a que no se controlaría por características no observables entre las escuelas, esto aumentaría el potencial sesgo del estimador de impacto.
2008 2009 2010 Total
IP ADSL 0 0 42 42
IP VPN 0 0 16 16
VSAT 74 218 0 292
Total 74 218 58 350
Tipo de
acceso
Año
Fuente: DIGETE-Programa Huascarán
41
impactos en el desempeño educativo para los resultados del año 2011. Para
definir el grupo de escuelas contrafactual, se utilizaron como base los
criterios de la Tabla 4, resumidos la Tabla 6, incluyendo algunos criterios
para homogeneizar las características de los contrafactuales frente a los
tratados. Como resultado, obtenemos una muestra de 1871 escuelas.
Asimismo, luego de juntar la base de la Digete con el panel de la ECE 2009-
2011, nos quedamos con un total de 41 escuelas de tratamiento en vez de
las 58 que accedieron al servicio según la Digete.
Tabla 6. Criterios de exclusión para la identificación del grupo contrafactual
1 No son de gestión pública.
2 No tienen energía eléctrica.
3 Pertenecen a un distrito atendido por el Programa Huascarán entre los años 2003 y 2009.
4 Cuentan con acceso a internet entre los años 2007 y 2010.
5 Son escuelas polidocentes.
6 El % de población rural en el 2007 es mayor al máximo % de población rural del grupo de tratamiento.
Fuente: DIGETE-Programa Huascarán, CE (2007 -2011), ECE (2007 -2011) Censo de Población y Viv ienda (2007 ).
Se excluyen aquellas escuelas que:
42
8. RESULTADOS
8.1 Acceso a Internet
Se trató de trabajar con la misma especificación en todas las regresiones,
y solo se cambió el año de las variables de la institución educativa según
el año de acceso al servicio de Internet. De este modo, se controla por las
variables en el año base previo al acceso al servicio (t-1) y por cambios en
algunas variables entre el año base y el año de acceso (t-1 vs t) y el año de
evaluación (t-1 vs t+k). No obstante, no siempre fue posible utilizar la
misma especificación, debido a que no se satisfacía la condición de
balanceo del PSM. Entonces, se buscó omitir de estas regresiones el
menor número de variables para mantener la mayor consistencia y
robustez entre los distintos estimadores calculados y entre ambas
muestras trabajadas.
Además, como un paso intermedio entre el método de DD y DD-PSM, se
colocan las estimaciones de DD con controles lineales mediante una
regresión de mínimos cuadrados ordinarios (MCO), utilizando las mismas
especificaciones que los modelos de regresión logística.
Debido al tamaño de la muestra, el emparejamiento se realizó con
reemplazo y permitiendo el uso de varias observaciones en caso de tener
un mismo pscore. Se utilizaron tres métodos de emparejamiento:15 One to
One, Radius y Kernel. El primero es un caso particular del emparejamiento
por el(los) vecino(s) más cercano(s) (nearest neighbor), donde solo se elige
la escuela del grupo de no tratamiento que tiene el pscore más cercano a
cada escuela del grupo de tratamiento. El emparejamiento por el método
de Radius lo hace con respecto a todas las observaciones dentro del área
15 Los algoritmos utilizados se detallan en el anexo 8.
43
de un caliper o radio de tolerancia. A diferencia del emparejamiento One
to One, compara con respecto a todas las observaciones en una vecindad
cercana. Finalmente, el estimador de Kernel construye una escuela
contrafactual ponderando por los pscore estimados en el modelo de
regresión logística. Una ventaja del estimador de Kernel es una menor
varianza por un mayor uso de información, pero es posible utilizar malos
emparejamientos, lo cual afecta los resultados a pesar de que se pondera
por el pscore estimado. El caso contrario lo presenta el estimador One to
One, que incrementa la precisión del emparejamiento al utilizar solo al
vecino más cercano pero incrementa la varianza por el uso de menos
observaciones. El emparejamiento por Radius sería un caso intermedio en
el que el caliper permite evitar emparejar por observaciones que sean la
más cercana pero con un pscore lejano y, además, aprovechar toda la
información disponible dentro de una vecindad. Las observaciones dentro
de la vecindad son ponderadas según su pscore (Caliendo y Kopeinig
2005).
Asimismo, se presentan, en los anexos 2 al 5, estadísticas descriptivas de
las principales variables utilizadas en el emparejamiento, tanto a nivel
distrital como a nivel de institución educativa. Uno de los factores que
más resalta es que el promedio de la altitud de la capital distrital del
distrito donde está localizada la institución es menor en aquellas
instituciones con acceso a Internet que aquellas sin acceso. Esto sugiere
una posible tendencia a brindar el servicio en las zonas más accesibles o
geográficamente mejor conectadas. Igualmente, el grupo de no
tratamiento IV+V comprende un alto porcentaje de escuelas públicas,
mientras que los grupos de tratamiento I, II y III son en su mayoría
escuelas privadas y polidocentes. A pesar de esto, los rangos de las
44
variables coinciden en una mayor parte, lo cual favorece la aplicación del
método de emparejamiento.
A continuación se evalúa el supuesto de tendencias paralelas. Debido a
que no hay una prueba para este supuesto en el caso de evaluaciones no
experimentales, en la Ilustración 5 se muestra instrumental gráfico para
analizar si hay alguna posibilidad para sospechar que el supuesto no se
está cumpliendo.16 Para esto, se grafica la variable resultado “porcentaje de
alumnos en el nivel 2 de desempeño educativo” para evaluar si hay un
cambio de tendencia en alguno de los grupos de análisis antes del acceso
al servicio. Debido a que se necesitan por lo menos 2 puntos antes del
acceso a Internet, se utiliza la variable resultado del grupo II y III en
comparación con el grupo de control IV+V. Los gráficos parecen indicar
que ambas curvas se mueven paralelamente antes del tratamiento.
Entonces, se puede asumir el supuesto de tendencias paralelas. Asimismo,
un hecho que se desprende de la Ilustración 5 y la Ilustración 3 (Sección 3)
es el rápido crecimiento en el porcentaje de alumnos en el nivel 2 de
desempeño académico, tanto para los grupos de tratamiento como de
control, particularmente entre los años 2008 y 2010, en el caso de los
resultados de comprensión de textos, y entre los años 2008 y 2009 para
lógico-matemática. Una posible causa está en los efectos acumulados de
varios esfuerzos del Minedu para mejorar el desempeño educativo de los
estudiantes, como el PELA, cuya intervención está basada en
herramientas tradicionales como materiales educativos, formación y
acompañamiento docente, entre otros.17
16 En evaluaciones del tipo Randomized Controlled Trial (RCT), este supuesto se prueba mediante la asignación de tratamientos del tipo placebo, lo cual nos daría una prueba indirecta del supuesto de tendencias paralelas. 17 “El PELA se viene implementado desde el año 2008 en el nivel primario y a partir del 2009 en los niveles de inicial y primaria en las regiones de Ayacucho, Apurímac, Huancavelica, Huánuco, Lima Provincias, Lima Metropolitana y Callao y en las zonas VRAE de Junín y Cusco” (fuente: sitio web del
45
Ilustración 5. Supuesto de tendencias paralelas. Método de diferencias en diferencias (% de
alumnos en el nivel 2)
Como se mencionó en la presentación de la estrategia econométrica, el
modelo de MCO permite explicar la variable endógena de interés a través
de la variable de impacto y otras variables explicativas. Los resultados del
modelo MCO se presentan en el Anexo 7 y 8. Utilizando este método de
estimación se encuentra efectos diferenciados de las variables de control
según el grupo de tratamiento y control utilizado. Las variables que
explican con mayor significancia estadística un efecto negativo en el
PELA: <http://ebr.minedu.gob.pe/dep/peladep.html>). A partir del año 2012 la prioridad son escuelas públicas multigrado (para primaria) y multi-edad (para inicial) en la mayoría de las regiones.
Ilustración 5. Supuesto de tendencias paralelas. Método de diferencias en diferencias (% de alum nos en el nivel 2)
Grupo II (t=2009)
mean(niv~11) Comprensión de textos Lógico-matemática
mean(niv~11)
Grupo III (t=2010)
Comprensión de textos Lógico-matemática
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
40,00
45,00
50,00
2.007 2.008 2.009 2.010 2.011
Tratados
No tratados
0,00
5,00
10,00
15,00
20,00
25,00
2.007 2.008 2.009 2.010 2.011
Tratados
No tratados
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
40,00
45,00
2.007 2.008 2.009 2.010 2.011
Tratados
No tratados
0,00
2,00
4,00
6,00
8,00
10,00
12,00
14,00
16,00
18,00
2.007 2.008 2.009 2.010 2.011
Tratados
No tratados
46
rendimiento educativo son del tipo socioeconómicas, como la brecha de
pobreza en el distrito, el porcentaje de personas con acceso a servicios
públicos (agua, desagüe y alumbrado) y la tasa de crecimiento poblacional
intercensal. La desigualdad en ingresos medida por el coeficiente Gini
tiene efectos ambiguos (negativos, nulos y positivos) según el grupo de
comparación. Esto sugiere que la estrategia econométrica de Diferencias
en Diferencias con controles lineales podría no ser adecuada para
identificar los impactos del acceso a internet en el rendimiento educativo.
En el Anexo 9 se presentan los resultados de las regresiones de
probabilidad logística para estimar la propensión a pertenecer al grupo de
tratamiento de las escuelas evaluadas. Este método econométrico cambia
la forma de interpretación de las variables de control. Se encuentra que las
aquellas con acceso a servicios públicos como agua y desagüe, así como
un mayor número de computadoras, tienen mayor probabilidad de tener
acceso a la Internet. Del mismo modo, las escuelas públicas tienen una
probabilidad negativa de acceder al servicio. Asimismo, la brecha de
pobreza y la baja conectividad de servicios de telecomunicaciones en el
distrito en que están localizadas tienen un efecto negativo en la
probabilidad de tener acceso a la Internet.
La Tabla 6 presenta los resultados de estimadores ATT de efectos
dinámicos y a un año del acceso a Internet. Se comparan los tres métodos
de estimación: DD, DD con controles lineales y DD-PSM. Los coeficientes
estimados se interpretan como el mayor porcentaje de estudiantes en el
nivel 2 de desempeño educativo descontando la tendencia en la que
hubiera aumentado este porcentaje en el caso de que no hubieran
accedido al servicio de Internet.
47
Efectos dinámicos
De acuerdo con los resultados del panel 2007-2011, el efecto acumulativo
es predominantemente positivo, aunque la significancia estadística
depende de si se controla por variables observables o no, del año evaluado
y del método de estimación. Sin controlar por variables observables, los
impactos son positivos y significativos en el rendimiento de Comprensión
de Textos para los años 2010 y 2011 para aquellas escuelas que accedieron
al servicio en el año 2008 (Grupo I) y en el año 2011 para las que accedieron
en el año 2009 (Grupo II).
Observando solo los estimadores sin variables observables de control, se
sugiere que los efectos acumulativos son mayores en aquellas escuelas
que accedieron en el 2008 al servicio de la Internet. Sin embargo, al
controlar por variables observables, los efectos sin controles se diluyen y
solo en el año 2011 se encuentran efectos estadísticamente significativos.
En el caso del primer grupo de tratamiento, la especificación lineal por
MCO para el año 2011 estima un impacto positivo y significativo a un nivel
de confianza mayor al 95%, mientras que en el resto de casos el nivel de
confianza es incluso menor al valor referencial de 85%. Con respecto al
Grupo II de tratamiento, los impactos son mayoritariamente nulos, salvo el
estimador DDPSM Kernel del año 2011 el cual tiene un impacto positivo
con un nivel de significancia mayor al 15%, es decir, de bajo nivel de
confianza estadística. Se observa un patrón similar en el rendimiento de
Lógico Matemático el cual solo es significativo al 10% de significancia si
no se controla por variables observables.
Si solo se consideran los coeficientes estimados con variables de control,
se encuentra un rango positivo de impacto para los años de evaluación
2011. Para el Grupo I, el impacto en el porcentaje de estudiantes que
48
alcanza un nivel satisfactorio de conocimientos en comprensión de textos
está entre 0 y 5,8% y en lógico-matemática entre 0 y 3,7%. El Grupo II
presenta un impacto positivo en comprensión de textos en el rango de 0 y
4,9%. Entonces, de acuerdo a los resultados de estimados de efectos
dinámicos, se sugiere que en el año 2011 hay un “efecto año” en el
porcentaje de estudiantes que alcanza el nivel satisfactorio de
conocimiento a favor de las escuelas que accedieron al servicio de
internet.
Efectos a un año
A diferencia del estimador de efectos acumulativos, el estimador de
efectos a un año permite comparar contra un mayor grupo de escuelas de
no tratamiento, incluidas aquellas que tendrán Internet al año siguiente.
Así, tenemos escuelas de control más parecidas a las tratadas, lo cual
reduciría la desviación estándar de los coeficientes estimados.
El impacto del acceso a Internet es positivo y significativo en lógico-
matemática para aquellas escuelas que accedieron al servicio en el 2008
(Grupo I), con y sin variables de control, aunque dependiendo del método
de estimación. Para el año 2011, estos efectos son positivos y significativos
solo para los estimadores DDPSM Radius y Kernel pero más débiles que en
el año 2008. Con respecto al rendimiento en compresión de textos, el
impacto es positivo y significativo para aquellas escuelas que accedieron
a Internet en el año 2010. Estos resultados se mantienen robustos al
incluir variables de control, independientemente del método de
estimación. Así, en el año 2011 se encuentra un aumento entre 5,2 y 6,9%
en el porcentaje de estudiantes que alcanzaron el nivel satisfactorio de
rendimiento en comprensión de textos. En el caso de lógico matemática,
se encuentra un efecto entre 0 y 2,9%.
49
Estos resultados sugieren que hay efectos mayores en comprensión de
textos que en lógico matemática y que estos se concentran en el año 2011,
confirmando la hipótesis del efecto año sugerida sobre la base de los
estimadores de efectos dinámicos.
50
Tabla 7 Resultados: Efectos del acceso a Internet-Perú, 2007-2011
One to one Radius Kernel One to one Radius Kernel
b2009-07 1 ,87 3 1 ,654 0,81 6 1 ,27 4 1 ,296 b2009-07 8,305*** 2,635 4,682 0,520 2,094
(2,01 2) (2,7 25) (4,283) (3 ,525) (3 ,357 ) (2,069) (2,7 49) (3 ,898) (3 ,7 1 1 ) (3 ,059)
N2009-07 1 .203 826 826 826 826 N2009-07 1 .21 1 932 832 832 832
b2010-07 6,467 *** 2,91 4 3,083 3,897 3,996 b2010-07 9,429*** 2,385 -0,21 7 0,003 2,888
(2,01 2) (2,61 9) (4,307 ) (3 ,7 06) (3 ,549) (2,1 06) (2,7 59) (3 ,621 ) (3 ,369) (2,7 80)
N2010-07 1 .1 69 804 804 804 804 N2010-07 1 .1 83 91 7 81 7 81 7 81 7
b2011-07 9,81 5*** 5,888** 0,7 81 5,1 87 4,657 b2011-07 9,326*** 3,7 65+ -0,900 0,51 2 2,458
(1 ,948) (2,545) (4,1 41 ) (3 ,691 ) (3 ,528) (2,01 3) (2,57 7 ) (3 ,505) (3 ,257 ) (3 ,1 32)
N2011-07 1 .208 840 840 840 840 N2011-07 1 .21 9 847 847 847 847
b2010-08 2,7 97 -0,41 3 -2,028 -0,324 1 ,7 30 b2010-08 2,7 29 -0,546 0,497 -0,7 68 1 ,1 49
(2,07 1 ) (2,397 ) (3 ,854) (3 ,055) (2,61 2) (2,000) (2,432) (3 ,680) (2,7 99) (2,468)
N2010-08 1 ,61 9 1 ,063 1 ,063 1 ,063 1 ,063 N2010-08 1 ,620 1 064 1 ,064 1 ,064 1 ,064
b2011-08 4,909** 1 ,953 5,1 68 3,7 7 0 4,87 2+ b2011-08 3,824** 0,692 2,7 83 2,1 51 2,250
(1 ,932) (2,320) (4,31 3) (2,7 89) (3 ,1 09) (1 ,854) (2,292) (3 ,462) (2,47 8) (2,647 )
N2011-08 1 .630 1 .07 9 1 .063 1 .07 9 1 .07 9 N2011-08 1 .630 1 07 9 1 .07 9 1 .07 9 1 .07 9
One to one Radius Kernel One to one Radius Kernel
b2009-07 2,833+ 2,822 3,664 2,7 95 4,448+ b2009-07 8,27 0*** 3,891+ 4,082 2,87 7 5,61 0**
(1 ,941 ) (2,488) (3 ,7 54) (3 ,1 69) (2,864) (1 ,966) (2,478) (3 ,499) (2,825) (2,689)
N2009-07 1 .645 1 .098 1 .098 1 .098 1 .098 N2009-07 1 .655 1 .1 04 1 .1 04 1 .1 04 1 .1 04
b2010-08 3,040 0,636 1 ,1 1 8 2,360 2,622 b2010-08 2,7 99 -0,096 0,408 -0,044 1 ,638
(2,1 1 3) (2,380) (3 ,295) (2,587 ) (2,1 64) (2,028) (2,306) (3 ,091 ) (2,250) (2,009)
N2010-08 1 .909 1 .21 9 1 .21 9 1 .21 9 1 .21 9 N2010-08 1 .909 1 .220 1 .220 1 .220 1 .220
b2011-09 7 ,346*** 5,27 1 *** 5,645** 6,87 9*** 6,237 *** b2011-09 0,1 37 2,092 3,67 2 2,890+ 2,697 *
(1 ,366) (1 ,7 55) (2,61 7 ) (1 ,888) (1 ,822) (1 ,1 90) (1,523) (2,691 ) (1 ,7 94) (1 ,61 8)
N2011-09 2.826 1 .588 1 .588 1 .588 1 .588 N2011-09 2.827 1 .588 1 .588 1 .588 1 .588
Errores estándar en paréntesis.
Niv el de significancia: ***: 0,01 %, **:0,05%, *:0,1 %, +:0,1 5.
Elaboración propia.
DD con
controles
lineales
DD con controles PSM
Grupo I vs II+III+IV+V: Acceso a Internet en t=2008 evaluado en t-1 vs t+1
Grupo II vs III+IV+V: Acceso a Internet en t=2009 evaluado en t-1 vs t+1
Grupo III vs IV+V: Acceso a Internet en t=2010 evaluado en t-1 vs t+1
Efectos a 1 añoComprensión de textos Lógico-matemática
DD sin
controles
DD con
controles
lineales
DD con controles PSM DD sin
controles
Grupo II vs IV+V: Acceso a Internet en t=2009 evaluado en t-1 vs t+1 y t+2
Efectos dinámicosComprensión de textos Lógico-matemática
DD sin
controles
DD con
controles
lineales
DD con controles PSM DD sin
controles
DD con
controles
lineales
DD con controles PSM
Grupo I vs IV+V: Acceso a Internet en t=2008 evaluado en t-1 vs t+1, t+2 y t+3
51
8.2 Acceso a Internet de banda ancha
Al igual que los resultados anteriores, las estimaciones de los modelos de
regresión logística pueden ser consultadas en el anexo 10. Se tuvo el
mismo cuidado de mantener una misma especificación para ambos
modelos estimados. Sin embargo, en algunas variables que tuvieron que
ser omitidas por colinealidad.
Los cuadros presentados en los anexos 4 y 6 presentan estadísticas
descriptivas en el nivel distrital y de la institución educativa,
respectivamente. A diferencia de los grupos en la identificación del
impacto de acceso a Internet, los promedios son más similares. Incluso, la
variable altitud es parecida en promedio, aunque la desviación estándar es
de más de 1.000 metros. Los rangos comunes de las variables entre grupos
de control y tratamiento benefician la aplicación del PSM.
Se plantean dos modelos de evaluación para explotar al máximo las
pocas observaciones disponibles para la evaluación del acceso a Internet
de banda ancha en el desempeño educativo. El modelo 1 considera a todas
las instituciones educativas que accedieron a Internet de alta velocidad en
el año 2010. Sin embargo, varias de estas instituciones ya tenían Internet
antes de acceder a uno de mayor velocidad, por lo que el efecto estimado
estaría sesgado. Entonces, en el segundo modelo se excluyó a aquellas
instituciones educativas que en el 2009 y/o en el 2008 tenían acceso a
Internet. Los resultados de ambos modelos se presentan en el cuadro 9.
El impacto es positivo únicamente en comprensión de textos en el
modelo 2 para el estimador DD sin variables de control. Al controlar por
características observables, todos los estimadores son estadísticamente
nulos al 10% de significancia, aunque el estimador por el método de Radius
52
tiene un nivel de confianza de 85%. A pesar de que el impacto sea
estadísticamente nulo, es resaltante que el signo del estimador ATT tiende
a ser negativo en el desempeño de lógico-matemática y positivo en
comprensión de textos para ambos modelos.
Tabla 8. Resultados: Acceso a Internet de banda ancha-Perú
One to one Radius Kernel
b2011-09 3,740 0.178 1,913 0,656 1,665
(3,029) (3.467) (4,143) (3,190) (3,137)
N2011-09 1.788 1.276 1.270 1.270 1.270
One to one Radius Kernel
b2011-09 -1,896 -2.135 -0,620 -1,874 -1,481
(2,636) (3.052) (3,753) (2,126) (1,910)
N2011-09 1.789 1.276 1.270 1.270 1.270
One to one Radius Kernel
b2011-09 6,902* 6.866 7,147 6,650+ 1,665
(4,028) (4.842) (6,020) (4,106) (3,137)
N2011-09 1.770 1.261 1.255 1.255 1.270
One to one Radius Kernel
b2011-09 -1,791 -2.756 -1,473 -3,309 -2,306
(3,511) (4.274) (5,744) (2,389) (2,098)
N2011-09 1.771 1.261 1.255 1.255 1.255
Niv el de significancia: ***: 0,01 %, **:0,05%, *:0,1 %, +:0,1 5.
Errores estándar en paréntesis.
Elaboración propia.
DD sin
controles
DD con
controles
lineales
DD con controles PSM
DD con controles PSM
Efectos a 1 año
Com prensión de textos
DD sin
controles
DD con
controles
lineales
DD con controles PSM
Acceso a banda ancha en el 2010 dado que no se tenía acceso a Internet en el 2009
Lógico-m atem ática
Modelo 2
Lógico-m atem ática
DD sin
controles
DD con
controles
lineales
Modelo 1
Acceso a banda ancha en el 2010
Efectos a 1 año
Com prensión de textos
DD sin
controles
DD con
controles
lineales
DD con controles PSM
53
CONCLUSIÓN
En esta investigación se propuso identificar el efecto causal del acceso a
Internet y el acceso a Internet de banda ancha en el desempeño educativo.
Para esto, se diseñó una estrategia de identificación para múltiples
efectos, tomando en consideración que aquellas escuelas que accedieron
primero al servicio podrían tener características no observables
vinculadas a otros factores que sesgarían los resultados. Se propuso el uso
de tres métodos de emparejamiento para robustecer los resultados.
Con respecto a la identificación del impacto de acceso a Internet de
banda ancha, se presentó una descripción de las bases de datos
disponibles que podrían servir para futuras investigaciones. Se optó por
utilizar la base de datos que permitía una identificación más clara del
efecto causal a pesar de contar con un número reducido de observaciones
en el grupo de tratamiento. Una ventaja fue contar con un gran número de
posibles contrafactuales.
El impacto en el desempeño educativo del acceso a Internet no es claro.
Se encuentran efectos diferenciados entre comprensión de textos y
lógico-matemática y entre años. Los efectos más fuertes parecen estar
presentes en comprensión de textos antes que en lógico-matemática y
concentrados en el año 2011. Se presenta una síntesis de estos resultados
en la Tabla 9.
Con respecto a los efectos acumulativos, se encuentra un incremento en
el porcentaje de estudiantes en el nivel 2 de desempeño educativo de
hasta 5,8% en comprensión de textos y 3,7% en lógico matemática para el
periodo 2007-11. Para los años anteriores, no hay efectos estadísticamente
diferentes de cero. Se encuentran efectos positivos y significativos a un
54
año del acceso a la Internet en lógico-matemática, entre 0 y 5,6% en el año
2009 y entre 0 y 2,9% en el año 2011. Con respecto a comprensión de textos,
el impacto se encuentra entre 0 y 4,5% en el año 2009 y 5,2 y 6,9% en el año
2011.
Asimismo, el impacto del acceso a Internet de banda ancha es
estadísticamente nulo en el desempeño educativo, salvo el valor
referencial de 6,6% en el estimador DDPSM por el método Radius en el
Modelo 2, con un nivel de confianza de 85%. Estos resultados pueden ser
consecuencia de la deficiencia en la capacitación de los profesores o de
una reducción en el rol del docente debido a las expectativas sobre el
papel de la tecnología en la enseñanza (Villanueva-Mansilla y Olivera,
2012). Del mismo modo, la escasez de programas de aprendizaje asistido
puede estar provocando estos efectos nulos (Lee, L. & O'Rourke, M., 2006).
Un punto pendiente es estudiar los efectos en los niveles de desempeño
educativo menores que el nivel 1, debido a que es posible que los
resultados en el nivel 2 sean en su mayoría nulos, pero puede existir un
efecto positivo en un mayor porcentaje de estudiantes de menor
rendimiento que logran llegar al nivel 1. Asimismo, se recomienda
profundizar en esta problemática mediante la evaluación de habilidades
cognitivas generales en las cuales el acceso a la Internet si puede estar
teniendo impactos positivos (Cristiá, J., S. Cueto, P. Ibarrarán, A. Santiago y
E. Severin, 2011 y Jonhson, 2006).
55
Tabla 9. Resumen de los resultados. Acceso a Internet-Perú. Rango de impactos 1/
Im pacto Com prensión de textos Lógico-Matem ática
b2009-07 0 0
b201 0-07 0 0
b201 1 -07 0 - 5,8%**(MCO) 0 - 3,7 %+(MCO)
b201 0-08 0 0
b201 1 -08 0-4,9%+(Kernel) 0
Im pacto Com prensión de textos Lógico-Matem ática
b2009-07 0-4,5%+(Kernel) 0-3,8%+(MCO) y 5,6%**(Kernel)
b201 0-08 0 0
b201 1 -09 5,2%***(MCO)-6,9%***(Radius) 0-2,7 %*(Kernel) y 2,9%+(Radius)
Niv el de significancia: ***: 0,01 %, **:0,05%, *:0,1 %, +:0,1 5.
Método de estimación en paréntesis.
Efectos Dinám icos
Efectos a 1 año
56
BIBLIOGRAFÍA
Aker, J., C. Ksolly y T. Lybbert (2012). “Can Mobile Phones Improve
Learning? Evidence from a Field Experiment in Niger”. American
Economic Journal: Applied Economics, 4 (4), pp. 94-120.
Banco Mundial (2011). Strategy Sector Information & Communication
Technologies Approach Paper. Disponible en
<http://siteresources.worldbank.org/INTICTSTRATEGY/Resources/2010-
12-27_ICT_Sector_Strategy_Approach_Paper_EN.pdf>. Revisado el
24/06/2013.
Banerjee, A. y E. Duflo (2011). Poor Economics: A Radical Rethinking of the
Way to Fight Global Poverty. Nueva York: Public Affairs.
Barrow, L., L. Markhan y C. Rose (2009). “Technology’s Edge: The
Educational Benefits of Computer-Aided Instruction”. American Economic
Journal: Economic Policy, vol. 1 (1), pp. 52-74.
Barrow, L., L. Richburg, C. Rouse y T. Brock (2009). Paying for Performance:
The Education Impacts of a Community College Scholarship Program for
Low-income Adults. Documento de trabajo 13. Federal Reserve Bank of
Chicago. Disponible en
<http://www.chicagofed.org/digital_assets/publications/working_papers/
2009/wp2009_13.pdf>. Revisado el 24/06/2013.
Blundell, R. y M. Costa Dias (2000). “Evaluation Methods for Non-
experimental Data”. Fiscal Studies, 21(4), pp. 427-468.
Caliendo, M. y S. Kopeinig (2005). Some practical guidance for the
implementation of propensity score matching. IZA Discussion Paper 1588.
57
Bonn. Disponible en <http://ftp.iza.org/dp1588.pdf>. Revisado el
24/06/2013.
Chandra, V. y M. Loyd (2008). “The Methodological Nettle: ICT & Student
Achievement”. British Journal of Educational Technology 38 (6), pp. 1087-
1098.
Chong, A. (2011). Conexiones del desarrollo: Impacto de las nuevas
tecnologías de la información. Serie Desarrollo en las Américas (DIA).
Washington, D. C.: Banco Interamericano de Desarrollo.
Claro, M. (2010). Impacto de las TIC en los aprendizajes de los estudiantes.
Estado del arte. Documento de Proyecto. CEPAL.
Cristiá, J., A. Czerwonkoy y P. Garofalo (2010). Does ICT Increase Years of
Education? Evidence from Peru. Washington, D. C.: Office of Evaluation &
Oversight, Banco Interamericano de Desarrollo.
Cristiá, J., S. Cueto, P. Ibarrarán, A. Santiago y E. Severin (2011). Technology
& Child Development: Evidence from the One Laptop per Child Program.
Banco Interamericano de Desarrollo.
Duflo, E., R. Glennerster y M. Kremer (2008). “Using Randomization in
Development Economics Research: A Toolkit”. Handbook of Development
Economics. Elsevier.
Glewwe, P., M. Kremer, S. Moulin y E. Zitzewitz (2004). “Retrospective vs.
Prospective Analyses of School Inputs: The Case of Flip Charts in Kenya”.
Journal of Development Economics 74 (1), pp. 251-268. Disponible en
<http://www.poverty-
action.org/sites/default/files/Retrospective%20vs%20Prospective%20Scho
ol%20Inputs.pdf>. Revisado el 12/10/2012.
58
Goolsbee, A. y J. Guryan (2006). "The Impact of Internet Subsidies in Public
Schools”. The Review of Economics and Statistics, 88 (2), pp. 336-347.
Hanushek, E. A. y V. Lavy (1993). Dropping Out of School: Further Evidence
on the Role of School Quality in Developing Countries. RCER Working
Papers 345, University of Rochester-Center for Economic Research.
Heckman, J., H. Ichimura y P. Todd (1997). “Matching as an Econometric
Evaluation Estimator”. Review of Economic Studies 64, pp. 605-654.
Johnson, G. M. (2006). “Internet use and cognitive development: A
theoretical framework”. E-Learning, 4, 565-573.
Jackson, L., von Eye, A., Biocca, F., Barbatsis, G.,Zhao, Y. & Fitzgeral,
H.(2006). “Does Home Internet Use Influence the Academic Performance of
Low-Income Children?” Developmental Psychology, Vol. 42, No. 3, pp 429–
435. Washington D. C., DC, Estados Unidos.
Judge, Sh., Puckett, K. y Bell, S.M. (2006). “Closing the Digital Divide:
Update From the Early Childhooh Longitudinal Study. The Jorunal of
Educational Research 100(1), pp.55-60.
Khandker, S., G. Koolwal y H. Samad (2010). Handbook on Impact
Evaluation. Quantitative Methods & Practices. Washington, D. C.: Banco
Mundial.
Kremer, M. (2003). “Randomized Evaluations of Educational Programs in
Developing Countries: Some Lessons”. American Economic Review 93(2),
pp. 102-106.
Kremer, M., E. Miguel y R. Thornton (2009). “Incentives to Learn”. The
Review of Economics & Statistics 91(3), pp. 437-456.
59
Lee, L. & O'Rourke, M. (2006). “Information and communication
technologies: transforming views of literacies in early childhood settings”.
Early Years 26(1), p.49-62.
Leuven, E. y B. Sianesi (2003). PSMATCH2: Stata module to perform full
Mahalanobis & propensity score matching, common support graphing, &
covariate imbalance testing. Disponible en
<http://ideas.repec.org/c/boc/bocode/s432001.html>. Revisado el
26/06/2013.
Linden, L., A. Banerjee y E. Duflo (2003). Computer-Assisted Learning:
Evidence from a Randomized Experiment. Poverty Action Lab Paper 5.
Disponible en
<http://karlan.yale.edu/fieldexperiments/pdf/Linden%20et%20al_2003.pdf
>. Revisado el 12/09/2012.
Machin, S., S. McNally y O. Silva (2006). New Technology in Schools: Is
There a Payoff? CEE DP 55. Centre for the Economics of Education, London
School of Economics.
Ministerio de Educación de España (2010). PISA 2009. Programa para la
Evaluación Internacional de los Alumnos. OCDE. Informe español. Madrid.
Organización para la Cooperación y Desarrollo Económicos (2010). Are the
New Millennium Learners Making the Grade?: Technology Use &
Educational Performance in PISA 2006. París: OCDE.
Peltenburg, M., M. van den Heuvel y B. Doig (2009). “Mathematical Power
of Special-needs pupils: An ICT-based Dynamic Assessment Format to
Reveal Weak Pupils’ Learning Potential”. British Journal of Educational
Technology 40 (2), pp. 273-284.
60
Román, M. y F. Murillo (2012). “Learning Environments with Technological
Resources: a Look at their Contribution to Student Performance in Latin
American Elementary Schools”. Educational Technology Research and
Development 60 (6): 1107-1128.
Rosenbaum, P. y D. Rubin (1983). “The Central Role of the Propensity Score
in Observational Studies for Causal Effects”. Biometrika 70, pp. 41-55.
Spiezia, V. (2010). “Does Computer Use Increase Educational
Achievements? Student-level Evidence from PISA”. OECD Journal:
Economic Studies, vol. 2010 (1), pp. 1-22.
Sprietsma, M. (2007). Computer as Pedagogical Tools in Brazil: Pseudo-
panel Analysis. Discussion Paper 07-040. Center for European Economic
Research.
Sunkel, G. (2006). Las tecnologías de la información y la comunicación
(TIC) en la educación en América Latina. Una exploración de indicadores.
Serie de Políticas Sociales. Santiago de Chile: CEPAL, División de
Desarrollo Social.
Toyama, K. (2010). “Can Technology End Poverty?”. Boston Review, 36 (5),
noviembre-diciembre. Disponible en <http://bostonreview.net/forum/can-
technology-end-poverty>.
Trucano, M. (2005). Knowledge Maps: ICT in Education. Washington, D. C.:
Infodev/Banco Mundial. Disponible en
<http://www.infodev.org/en/Publication.8.html>. Revisado el 26/06/2013.
Unesco (2012). ICT in Education in Latin America and the Caribbean: A
Regional Analysis of ICT Integration and e-readiness. Disponible en
61
<http://www.uis.unesco.org/Communication/Documents/ict-regional-
survey-lac-2012-en.pdf>. Revisado el 28/06/2013.
Vigdor, J. y H. Ladd (2010). Scaling the Digital Divide. Home Computer
Technology & Student Achievement. Working Paper 48. Center for
Analysis of Longitudinal Data in Education Research.
Villanueva-Mansilla, E. y P. Olivera (2012). “Barreras institucionales para el
desarrollo de una innovación: evaluando la implementación de las
computadoras XO-1 en dos escuelas periurbanas del Perú”. Revista de
Tecnologías de la Información y Desarrollo Internacional, Edición Especial
Bilingüe: Investigación sobre TIC4D en Latinoamérica, 8 (4), pp. 191-203.
Páginas web
Ministerio de Educación
Programa Huascarán. Fecha de consulta: 15 de mayo del 2013.
Disponible en
<http://www.minedu.gob.pe/normatividad/directivas/Dir083VMGP200
3.php>.
Resultados generales 2007-2012 (MC). Fecha de consulta: 15 de junio
del 2013. Disponible en <http://umc.minedu.gob.pe/?p=1357>.
Programa Estratégico Logros de Aprendizaje. Fecha de consulta: 15 de
julio del 2013. Disponible en
<http://ebr.minedu.gob.pe/dep/peladep.html>.
62
Bases de datos
Ministerio de Educación
Censo Escolar 2007-2011.
Evaluación Censal Escolar 2007-2011.
DIGETE-Programa Huascarán.
Instituto Nacional de Estadística e Informática
Censo Nacional de Población y Vivienda 2007 y 1993.
Mapa de Pobreza 2007.
63
ANEXO 1 :
Criterios de priorización para la selección de instituciones educativas para el Proyecto
Huascarán tal como aparece en el sitio web del MINEDU
64
Fuente: Sitio web del Minedu. Disponible en: <http://www.minedu.gob.pe/normatividad/directivas/Dir083VMGP2003.php>. Revisado el 24/06/2013.
65
ANEXO 2 :
Media DE Mínim o Máxim o Media DE Mínim o Máxim o
Brecha de pobreza total 5,7 8 4,94 0,20 40,40 22,17 12,21 0,20 7 1,00
Coeficiente de Gini 0,30 0,03 0,21 0,41 0,29 0,04 0,19 0,43
Gasto per cápita precios de Lima Metropolitana 529,82 133,86 195,80 989,50 311,48 114,7 9 83,40 989,50
Proporción de la población sin agua ni desagüe de red 0,02 0,02 0,00 0,36 0,07 0,05 0,00 0,38
Proporción de la población sin alumbrado eléctrico 0,03 0,03 0,00 0,21 0,12 0,07 0,00 0,39
Proporción de la población sin servicio de información ni comunicación 0,07 0,04 0,01 0,26 0,19 0,07 0,01 0,46
Proporción de la población analfabeta 0,02 0,02 0,00 0,20 0,09 0,06 0,00 0,31
Edad promedio del distrito 29,7 6 2,83 22,51 40,49 26,80 3,06 18,04 42,44
Proporción de personas que viven en el área rural 0,06 0,16 0,00 0,96 0,58 0,32 0,00 0,99
Población 228.611 215.891 1.092 898.443 43.896 103.243 187 898.443
Tasa de crecimiento intercensal de la población 0,34 0,41 -0,39 2,47 0,20 0,43 -0,86 6,57
Tasa de crecimiento intercensal de la población rural -0,29 0,45 -1 ,00 1,85 -0,11 0,7 2 -1 ,00 67 ,13
Observaciones
Fuente: Censo de Población y Viv ienda 2007 y 1 993 y Mapa de Pobreza 2007 .
Elaboración propia
805 23.604
Anexo 2 Estadísticas descriptivas de las principales variables distritales utilizadas en el PSM-Acceso a internet
Panel 2007-2011
Variables distritales por escuela
Grupo I+II+III Grupo IV+V
66
ANEXO 3:
Fuente: CE (2007-2011) y ECE (2007-2011) Elaboración propia
Media DE Mín Máx Media DE Mín Máx Media DE Mín Máx Media DE Mín Máx
Altitud 586,35 1 .003,54 1 0,00 4.449,00 594,90 1 .07 3,7 9 9,00 3.87 8,00 858,7 0 1 .1 83,1 7 7 ,00 5.066,00 1 .969,7 1 1 .465,09 0,00 5.448,00
Promedio de alumnos de 2 grado por aula t-1 20,7 6 1 2,23 1 ,00 1 06,00 1 8,1 7 1 2,07 1 ,00 1 1 4,00 1 7 ,7 3 9,34 2,00 47 ,00 1 2,91 9,7 8 1 ,00 228,00
Proporción de locales que contaban con agua Potable en el año t-1 0,82 0,39 0,00 1 ,00 0,95 0,23 0,00 1 ,00 0,94 0,24 0,00 1 ,00 0,41 0,49 0,00 1 ,00
Proporción de locales que contaban con Desagüe en el año t-1 0,90 0,30 0,00 1 ,00 0,95 0,21 0,00 1 ,00 0,99 0,1 2 0,00 1 ,00 0,47 0,50 0,00 1 ,00
Total de aulas en el año t-1 1 2,81 8,86 1 ,00 92,00 1 0,65 5,7 3 2,00 38,00 1 1 ,89 5,91 0,00 48,00 4,60 4,1 9 1 ,00 62,00
Total de computadoras para la enseñanza en el año t-1 7 ,22 9,1 5 0,00 53,00 6,26 7 ,30 0,00 35,00 5,27 7 ,02 0,00 45,00 0,83 3,03 0,00 1 54,00
Cambio en el número de computadoras entre el año t-1 y t 4,86 1 4,68 -34,00 92,00 3,31 9,98 -30,00 80,00 4,80 1 0,54 -21 ,00 1 1 6,00 0,00 3,1 0 -1 54,00 1 1 3,00
Proporción de computadoras para la enseñanza en t-1 0,7 5 0,32 0,00 1 ,00 0,64 0,37 0,00 1 ,00 0,59 0,40 0,00 1 ,00 0,59 0,43 0,00 1 ,00
Proporción de aulas en buenas condiciones en t-1 0,87 0,27 0,00 1 ,00 0,91 0,24 0,00 1 ,00 0,84 0,30 0,00 1 ,00 0,43 0,44 0,00 1 ,00
Número de ambientes Escolares en t-1 1 ,84 1 ,20 0,00 4,00 1 ,7 8 1 ,08 0,00 4,00 1 ,33 1 ,01 0,00 3,00 0,62 0,85 0,00 4,00
Proporción de escuelas polidocentes en t-1 0,89 0,32 0,00 1 ,00 0,89 0,32 0,00 1 ,00 0,87 0,34 0,00 1 ,00 0,28 0,45 0,00 1 ,00
Proporción de escuelas públicas en t-1 0,21 0,41 0,00 1 ,00 0,20 0,40 0,00 1 ,00 0,26 0,44 0,00 1 ,00 0,90 0,30 0,00 1 ,00
Observ aciones
Fuente: CE (2007 -201 1 ) y ECE (2007 -201 1 ).
Elaboración propia
1 88 1 92 425 23.604
Estadísticas descriptivas de las principales variables de la Institución Educativa utilizadas en el PSM-Acceso a internet
Panel 2007-2011
Variables
Grupo I Grupo II Grupo III Grupo IV+V
t=2008 t=2009 t=2010 t=2008
67
ANEXO 4:
Estadísticas descriptivas de las principales variables distritales utilizadas en el PSM-Acceso a internet de banda ancha
Fuente: Censo de Población y Vivienda 2007 y 1993 y Mapa de Pobreza 2007
Elaboración propia
Media DE Mín Máx Media DE Mín Máx Media DE Mín Máx
Brecha de pobreza total 1 4,30 1 0,08 0,20 49,50 9,50 7 ,05 1 ,00 34,20 9,86 7 ,39 1 ,00 34,20
Coeficiente de Gini 0,31 0,04 0,20 0,43 0,31 0,04 0,21 0,36 0,30 0,04 0,21 0,36
Gasto per cápita precios de Lima Metropolitana 396,7 8 1 24,39 1 58,40 989,50 454,7 3 1 07 ,56 206,00 686,80 447 ,63 1 1 7 ,7 8 206,00 686,80
Proporción de la población sin agua ni desagüe de red 0,04 0,05 0,00 0,36 0,03 0,04 0,00 0,1 9 0,03 0,05 0,00 0,1 9
Proporción de la población sin alumbrado eléctrico 0,07 0,05 0,00 0,30 0,04 0,04 0,00 0,1 4 0,04 0,04 0,00 0,1 4
Proporción de la población sin servicio de información ni comunicación 0,1 4 0,08 0,01 0,41 0,1 0 0,05 0,02 0,26 0,1 0 0,06 0,02 0,26
Proporción de la población analfabeta 0,06 0,04 0,00 0,31 0,04 0,03 0,00 0,1 7 0,04 0,04 0,00 0,1 7
Edad promedio del distrito 28,25 2,66 20,89 40,49 28,49 2,37 24,32 35,00 28,48 2,7 5 24,32 35,00
Proporción de personas que viven en el área rural 0,23 0,22 0,00 0,65 0,1 6 0,22 0,00 0,65 0,1 9 0,25 0,00 0,65
Población 7 4.591 1 26.528 452 898.443 1 1 4.41 7 1 60.429 2.029 898.443 1 00.7 87 1 7 6.692 2.029 898.443
Tasa de crecimiento intercensal de la población 0,25 0,41 -0,86 2,56 0,23 0,36 -0,27 1 ,41 0,1 9 0,29 -0,21 1 ,27
Tasa de crecimiento intercensal de la población rural -0,1 8 1 ,1 3 -1 ,00 23,48 -0,28 0,49 -1 ,00 1 ,85 -0,1 7 0,57 -1 ,00 1 ,85
Observ aciones
Fuente: Censo de Población y Viv ienda 2007 y 1 993 y Mapa de Pobreza 2007 .
Elaboración propia.
2.1 89 45 26
Variables
Grupo de no tratados Acceso a banda ancha en el 2010
Acceso a banda ancha en el 2010 dado que no
tenía internet en el 2009
68
ANEXO 5:
Estadísticas descriptivas de las principales variables de la Institución Educativa utilizadas en el PSM-Acceso a internet de banda ancha (t=2010)
Fuente: CE 2009-2011 y ECE 2009 – 2011
Elaboración propia
Media DE Mín Máx Media DE Mín Máx Media DE Mín Máx
Altitud 1 .602,84 1 .530,62 5,00 4.832,00 1 .454,7 6 1 .51 9,08 3,00 4.37 5,00 1 .297 ,31 1 .508,1 8 3,00 4.37 5,00
Promedio de alumnos de 2 grado por aula t-1 23,09 8,44 2,00 82,00 26,81 9,25 1 2,00 56,00 26,27 7 ,89 1 2,00 45,67
Contaban con agua Potable en el año t-1 0,85 0,36 0,00 1 ,00 0,90 0,30 0,00 1 ,00 0,87 0,34 0,00 1 ,00
Contaban con Desagüe en el año t-1 0,94 0,23 0,00 1 ,00 0,95 0,22 0,00 1 ,00 0,96 0,21 0,00 1 ,00
Total de aulas en el año t-1 1 2,01 5,7 6 2,00 47 ,00 20,55 8,1 5 0,00 40,00 1 9,96 9,56 0,00 40,00
Total de computadoras para la enseñanza en el año t-1 3,64 6,33 0,00 86,00 1 3,90 1 6,08 0,00 91 ,00 1 2,39 1 2,1 9 0,00 46,00
Cambio en el número de computadoras entre el año t-1 y t 2,7 8 7 ,28 -58,00 89,00 5,44 1 3,48 -21 ,00 42,00 5,1 8 1 0,87 -1 9,00 28,00
Proporción de computadoras para la enseñanza en t-1 0,45 0,41 0,00 1 ,00 0,67 0,30 0,00 1 ,00 0,67 0,25 0,00 1 ,00
Proporción de aulas en buenas condiciones en t-1 0,48 0,38 0,00 1 ,00 0,61 0,38 0,00 1 ,00 0,61 0,38 0,00 1 ,00
Número de ambientes Escolares en t-1 0,93 0,93 0,00 3,00 1 ,67 1 ,00 0,00 3,00 1 ,52 1 ,04 0,00 3,00
Observ aciones
Fuente: CE 2009-201 1 y ECE 2009-201 1 .
Elaboración propia.
2.1 89 45 26
Variables
Grupo control Acceso a banda ancha en 2010
Acceso a banda ancha en el 2010 dado que no
tenía internet en el 2009
69
ANEXO 6:
Algoritmo y características de los métodos de estimación
Características generales
Algoritmo:
Estimación a partir del soporte común (common)
Emparejamiento con reemplazo (default)
Emparejamiento con otros controles idénticos pscores (ties)
Estimación de desviación estándar por bootstrap de 200 réplicas con semilla 151188.
Método de estimación Características específicas
One to one Primer vecino más cercano
Radius Caliper de 0.01
Kernel Distribución Kernel de tipo Epanechnikov
Fuente: Leuven, E. & Sianesi, B. (2003).
70
ANEXO 7:
Resultados de los modelos de regresión lineal-Acceso a Internet
GRUPO I v s IV +V
I v s
IV +V
I v s
IV +V
II v s
IV +V
II v s
IV +V
I v s
II+III+IV +V
II v s
III+IV +V
III v s
IV +V
A ño de acceso t= 2008 2008 2008 2009 2009 2008 2009 2010
V ariables
1 ,6 5 4 2 ,9 1 4 5 ,8 8 8 ** -0,4 1 3 1 ,9 5 3 2 ,8 2 2 0,6 3 6 5 ,2 7 1 ***
(2 ,7 2 5 ) (2 ,6 1 9 ) (2 ,5 4 5 ) (2 ,3 9 7 ) (2 ,3 2 0) (2 ,4 8 8 ) (2 ,3 8 0) (1 ,7 5 5 )
0,03 3 0,1 6 4 * 0,1 08 0,01 2 0,1 03 0,04 7 0,01 3 0,1 6 6 **
(0,09 1 ) (0,08 9 ) (0,08 3 ) (0,07 5 ) (0,07 2 ) (0,08 0) (0,06 9 ) (0,07 2 )
-3 ,5 9 6 * -1 ,2 1 3 -0,6 4 1 3 ,1 8 6 * 1 ,9 8 3 -2 ,02 5 2 ,1 4 9 -1 ,3 6 1
(2 ,1 4 1 ) (2 ,08 6 ) (1 ,9 2 7 ) (1 ,7 7 5 ) (1 ,6 5 6 ) (1 ,8 1 6 ) (1 ,7 1 5 ) (1 ,5 6 6 )
-0,5 4 2 2 ,4 5 9 1 ,7 3 3 1 ,02 0 0,7 8 5 -0,7 7 9 0,7 6 5 8 ,03 7 ***
(2 ,2 5 8 ) (2 ,2 4 4 ) (2 ,06 5 ) (1 ,7 2 1 ) (1 ,6 2 0) (1 ,8 8 2 ) (1 ,6 7 2 ) (2 ,5 02 )
0,001 -0,2 2 8 * 0,1 4 4 -0,1 9 1 * 0,04 9 0,03 7 -0,1 7 8 * 0,01 5
(0,1 3 3 ) (0,1 3 0) (0,1 2 5 ) (0,1 07 ) (0,1 04 ) (0,1 1 7 ) (0,1 04 ) (0,09 3 )
-3 ,6 1 1 * -1 ,02 3 -1 ,2 7 6 2 ,1 5 2 0,2 3 2 -1 ,3 2 0 2 ,7 8 1 * 0,1 2 1
(2 ,08 9 ) (2 ,06 7 ) (1 ,9 5 0) (1 ,5 6 7 ) (1 ,5 2 9 ) (1 ,8 4 3 ) (1 ,5 2 2 ) (1 ,3 7 3 )
0,03 0 0,1 9 0 -0,000 0,2 3 8 ** 0,05 6 -0,03 8 0,2 1 8 ** 0,1 1 0
(0,1 3 9 ) (0,1 3 5 ) (0,1 3 1 ) (0,1 1 0) (0,1 07 ) (0,1 2 0) (0,1 05 ) (0,08 1 )
0,03 4 0,1 3 5 0,03 1 -0,003 0,03 1 -0,01 2 0,02 2 0,01 6
(0,1 2 9 ) (0,1 2 3 ) (0,1 1 8 ) (0,07 2 ) (0,07 0) (0,1 1 3 ) (0,07 1 ) (0,06 0)
-0,2 8 3 0,06 5 2 ,6 1 4 0,3 05 0,3 8 0 0,7 9 6 -0,3 8 9 -2 ,7 2 8 *
(2 ,9 5 5 ) (2 ,9 4 0) (2 ,6 9 2 ) (1 ,9 2 9 ) (1 ,8 6 1 ) (2 ,5 2 0) (1 ,8 4 8 ) (1 ,5 2 6 )
2 ,2 00 -3 ,2 4 2 + -1 ,7 7 7 -0,1 3 1 1 ,5 9 7 1 ,6 1 8 -0,3 8 0 2 ,7 2 7 *
(2 ,2 6 9 ) (2 ,2 2 3 ) (2 ,1 1 8 ) (1 ,7 1 9 ) (1 ,6 7 1 ) (1 ,9 9 5 ) (1 ,6 6 9 ) (1 ,4 7 4 )
-0,1 2 3 1 ,7 7 9 0,000
(2 ,8 8 3 ) (2 ,6 2 1 ) (0,000)
1 ,9 7 2 -1 ,5 3 1 1 ,3 2 7 1 ,3 3 3 0,6 9 7 -0,2 9 0 1 ,8 4 1 0,1 6 9
(2 ,7 2 4 ) (2 ,6 2 8 ) (2 ,4 7 9 ) (1 ,9 8 0) (1 ,8 9 8 ) (2 ,3 2 2 ) (2 ,3 03 ) (1 ,2 7 1 )
2 ,007 0,2 5 4 1 ,8 07 0,9 8 4 0,9 2 2 0,8 5 3 2 ,02 5 0,6 2 3
(2 ,6 7 1 ) (2 ,5 9 2 ) (2 ,4 4 6 ) (1 ,9 09 ) (1 ,8 4 5 ) (2 ,2 1 4 ) (2 ,1 7 9 ) (1 ,3 9 7 )
4 ,2 4 7 + 2 ,5 4 7 3 ,6 3 4 -1 ,4 07 -1 ,1 9 2 2 ,1 4 3 0,1 2 2 -1 ,1 8 9
(2 ,8 6 8 ) (2 ,7 7 7 ) (2 ,6 3 6 ) (2 ,06 6 ) (1 ,9 8 7 ) (2 ,2 7 8 ) (2 ,2 1 5 ) (1 ,7 8 9 )
1 ,5 1 0 -0,9 6 8 5 ,2 1 5 + -2 ,2 6 8 -3 ,7 9 2
(3 ,4 2 8 ) (3 ,3 00) (3 ,1 7 3 ) (2 ,7 9 4 ) (2 ,7 1 4 )
0,003 0,001 0,004 + -0,000 0,003 + 0,002 -0,002 0,003 *
(0,002 ) (0,002 ) (0,002 ) (0,002 ) (0,002 ) (0,002 ) (0,002 ) (0,002 )
-0,000* -0,000 -0,000* -0,000 -0,000+ -0,000* 0,000 -0,000+
(0,000) (0,000) (0,000) (0,000) (0,000) (0,000) (0,000) (0,000)
-0,2 7 7 -0,8 4 0 6 ,2 1 1 * 1 ,4 2 4 4 ,05 1 + -0,3 1 9 0,2 8 7 1 ,6 5 9
(3 ,9 5 7 ) (4 ,1 4 8 ) (3 ,3 7 7 ) (2 ,7 2 0) (2 ,5 2 0) (3 ,1 5 8 ) (2 ,6 1 9 ) (2 ,2 7 2 )
-1 ,2 07 -3 ,8 7 2 * -4 ,3 4 2 ** 1 ,01 9 -1 ,8 7 5 -1 ,5 8 6 1 ,4 2 2 -2 ,9 7 3 *
(2 ,2 1 7 ) (2 ,1 4 9 ) (2 ,05 8 ) (1 ,6 5 5 ) (1 ,6 09 ) (1 ,8 5 8 ) (1 ,5 4 2 ) (1 ,6 4 0)
-0,007 -0,3 6 5 ** -0,09 1 -0,1 9 1 + -0,06 7 -0,03 0 -0,2 7 3 ** -0,08 8
(0,1 7 1 ) (0,1 6 5 ) (0,1 5 5 ) (0,1 2 7 ) (0,1 2 1 ) (0,1 5 3 ) (0,1 2 3 ) (0,1 1 1 )
-3 6 ,2 3 3 1 9 ,1 2 5 -4 7 ,9 7 5 * 5 0,6 6 9 ** 2 6 ,2 3 9 -2 6 ,4 5 7 5 7 ,6 6 0*** 1 1 ,7 6 2
(2 7 ,1 9 3 ) (2 7 ,2 5 1 ) (2 5 ,2 1 9 ) (2 0,8 6 2 ) (1 9 ,8 4 4 ) (2 3 ,7 6 9 ) (2 0,002 ) (1 6 ,9 01 )
-0,01 0 -0,04 7 *** -0,01 2 -0,02 7 ** -0,01 3 -0,01 7 -0,03 7 *** -0,003
(0,01 4 ) (0,01 3 ) (0,01 3 ) (0,01 1 ) (0,01 1 ) (0,01 2 ) (0,01 1 ) (0,01 0)
-8 ,2 3 1 3 ,5 4 8 -1 9 ,2 7 9 -1 7 ,2 5 6 -1 6 ,4 9 8 -1 ,2 6 5 -3 0,1 8 8 * -2 8 ,3 03 *
(2 5 ,2 2 5 ) (2 5 ,5 3 4 ) (2 3 ,6 8 8 ) (1 8 ,4 4 7 ) (1 7 ,4 08 ) (2 1 ,8 5 8 ) (1 8 ,02 5 ) (1 5 ,05 0)
3 1 ,6 3 1 -2 8 ,6 8 6 4 2 ,8 1 1 * 9 ,8 6 9 2 0,4 01 1 7 ,01 3 1 8 ,3 2 2 1 3 ,9 7 7
(2 5 ,1 4 7 ) (2 6 ,3 04 ) (2 4 ,3 5 8 ) (1 9 ,6 5 6 ) (1 8 ,2 4 8 ) (2 2 ,1 2 7 ) (1 9 ,2 3 6 ) (1 6 ,3 2 5 )
1 3 ,03 1 -1 2 ,6 1 6 -2 0,7 6 7 3 ,1 03 -1 4 ,1 9 4 9 ,5 05 7 ,4 7 1 0,7 6 6
(2 5 ,3 5 6 ) (2 4 ,5 9 8 ) (2 3 ,7 6 1 ) (1 8 ,07 5 ) (1 7 ,4 5 9 ) (2 2 ,2 8 4 ) (1 7 ,8 4 4 ) (1 5 ,8 2 1 )
3 ,06 6 -2 7 ,002 -3 6 ,8 3 3 -3 9 ,3 3 4 + -3 6 ,1 3 8 + 8 ,5 5 3 -2 5 ,7 7 9 -3 4 ,7 5 6 *
(3 1 ,4 7 4 ) (3 1 ,3 5 4 ) (2 9 ,7 4 8 ) (2 4 ,5 1 1 ) (2 3 ,4 6 4 ) (2 7 ,5 8 2 ) (2 4 ,07 8 ) (2 0,06 4 )
-0,2 7 4 0,7 2 1 * -0,1 7 3 0,4 1 9 0,2 6 1 -0,07 3 0,6 6 6 ** 0,1 7 3
(0,4 3 2 ) (0,4 3 2 ) (0,4 03 ) (0,3 3 7 ) (0,3 1 8 ) (0,3 8 4 ) (0,3 2 9 ) (0,2 9 5 )
-1 2 ,07 3 ** -1 ,6 08 -4 ,6 7 9 -2 ,2 4 5 -0,3 2 6 -1 1 ,01 1 ** -3 ,4 8 7 1 ,6 8 3
(5 ,2 7 4 ) (5 ,3 3 6 ) (4 ,9 4 2 ) (3 ,8 3 8 ) (3 ,6 5 2 ) (4 ,5 8 2 ) (3 ,7 6 9 ) (3 ,2 6 4 )
0,000 -0,000 0,000 -0,000 0,000 -0,000 -0,000 0,000
(0,000) (0,000) (0,000) (0,000) (0,000) (0,000) (0,000) (0,000)
-5 ,01 4 ** -1 ,1 5 0 -2 ,9 7 2 + 0,06 8 1 ,2 00 -4 ,07 4 ** 1 ,1 7 5 -0,5 4 3
(2 ,002 ) (2 ,02 5 ) (1 ,8 8 5 ) (1 ,6 4 5 ) (1 ,5 1 4 ) (1 ,7 5 5 ) (1 ,5 5 1 ) (1 ,3 3 5 )
0,4 6 9 0,03 6 0,7 00 -1 ,08 6 + -0,3 7 6 0,4 4 8 -0,6 6 8 0,8 8 6 +
(0,7 5 7 ) (0,7 3 1 ) (0,7 03 ) (0,6 6 5 ) (0,6 4 2 ) (0,5 5 0) (0,5 03 ) (0,5 8 8 )
3 6 ,2 04 ** 1 9 ,4 4 1 2 9 ,4 1 0** -4 ,7 8 4 -6 ,9 6 1 2 9 ,04 7 ** -9 ,4 9 7 -1 3 ,5 4 3
(1 5 ,8 6 0) (1 5 ,8 6 6 ) (1 4 ,7 9 7 ) (1 1 ,8 8 1 ) (1 1 ,5 3 6 ) (1 4 ,1 1 9 ) (1 1 ,9 07 ) (1 0,6 6 2 )
Observaciones 8 2 6 8 04 8 4 0 1 ,06 3 1 ,07 9 1 ,09 8 1 ,2 1 9 1 ,5 8 8
Errores estándar en paréntes is
*** p<0.01, ** p<0.05, * p<0.1, + p<0.15
Porcentaje de población rural del
dis trito
Población del dis trito
Tasa de crecimiento poblacional
intercensal del dis tritoTasa de crecimiento de la
población rural intercensal del
dis trito
Constante
Gasto per capita a precios de Lima
Metropolitana
Porcentaje población s in agua ni
desagüe de red pública
Porcentaje población s in
alumbrado eléctrico
Porcentaje población s in servicio
de información ni comunicación
Porcentaje población analfabeta
Promedio de años de edad del
dis trito
Coeficiente de Gini
Porcentaje aulas en buenas
condiciones
Número de ambientes = 0
Número de ambientes = 1
Número de ambientes = 2
Número de ambientes = 3
Número de ambientes = 4
Altitud de la II.EE
Altitud de la II.EE al cuadrado
II.EE Polidocente
II.EE Pública
Brecha de pobreza total
Porcentaje de computadoras para
la enseñanza
Com prensión de t ext os
Efect os diná m icos Efect os a 1 a ño
Acceso a la Internet
Promedio de alumnos de 2 grado
por aula
Acceso a agua potable
Acceso a desague
Total de aulas
Pared de ladrillo o bloque de
cemento
Total de computadoras por aula
Diferencia del número de
computadoras t vs t+k
71
ANEXO 8:
VARIABLES
Comprensión de
textos Lógico-matemática
Comprensión de
textos Lógico-matemática
Acceso a la Internet de alta velocidad 0,1 7 8 -2,1 35 6,866 -2,7 56
(3,467 ) (3 ,052) (4,842) (4,27 4)
Promedio de alumnos de 2 grado por aula 0,224*** 0,092 0,226*** 0,094
(0,07 6) (0,067 ) (0,07 7 ) (0,068)
Acceso a agua potable -1 ,693 -1 ,7 05 -1 ,620 -1 ,7 01
(1 ,630) (1 ,435) (1 ,633) (1 ,441 )
Acceso a desague 6,1 52** 2,51 2 6,089** 2,591
(2,500) (2,201 ) (2,51 8) (2,223)
Total de aulas 0,1 93** -0,006 0,1 93** -0,01 4
(0,094) (0,083) (0,095) (0,084)
Total de computadoras por aula 0,244** 0,052 0,244** 0,056
(0,1 03) (0,090) (0,1 04) (0,091 )
Diferencia del número de computadoras t vs t+k -0,038 -0,022 -0,044 -0,029
(0,068) (0,060) (0,069) (0,061 )
Porcentaje de computadoras para la enseñanza -4,531 *** -0,941 -4,397 *** -0,854
(1 ,693) (1 ,490) (1 ,7 02) (1 ,503)
Porcentaje aulas en buenas condiciones 2,7 7 0* 1 ,862+ 2,7 7 1 * 1 ,843+
(1 ,420) (1 ,250) (1 ,430) (1 ,263)
Número de ambientes = 0 0,000 0,000 3,065+ 0,421
(0,000) (0,000) (2,1 01 ) (1 ,855)
Número de ambientes = 1 0,051 0,466 3,223+ 1 ,008
(1 ,31 1 ) (1 ,1 55) (1 ,995) (1 ,7 61 )
Número de ambientes = 2 -0,629 -0,089 2,469 0,227
(1 ,488) (1 ,31 0) (2,006) (1 ,7 7 1 )
Número de ambientes = 3 -3 ,1 60+ -0,632 0,000 0,000
(2,07 8) (1 ,829) (0,000) (0,000)
Altitud de la II .EE 0,004** 0,001 0,005*** 0,001
(0,002) (0,002) (0,002) (0,002)
Altitud de la II .EE al cuadrado -0,000** -0,000 -0,000** -0,000
(0,000) (0,000) (0,000) (0,000)
Brecha de pobreza total -0,049 -0,1 1 3 -0,049 -0,1 06
(0,1 37 ) (0,1 20) (0,1 37 ) (0,1 21 )
Coeficiente de Gini 3,41 9 -9,1 7 3 3,201 -1 0,01 4
(1 8,802) (1 6,552) (1 8,888) (1 6,67 5)
Gasto per capita a precios de Lima Metropolitana -0,002 -0,005 -0,002 -0,005
(0,01 1 ) (0,01 0) (0,01 1 ) (0,01 0)
Porcentaje población sin agua ni desagüe de red pública 2,862 -1 7 ,435 2,7 67 -1 7 ,41 8
(1 7 ,450) (1 5,362) (1 7 ,505) (1 5,454)
Porcentaje población sin alumbrado eléctrico 20,1 97 1 7 ,7 97 23,669 1 7 ,545
(22,347 ) (1 9,67 3) (22,456) (1 9,825)
Porcentaje población sin servicio de información ni comunicación 8,303 4,607 6,555 3,361
(1 7 ,464) (1 5,37 4) (1 7 ,531 ) (1 5,47 7 )
Porcentaje población analfabeta -61 ,828** 2,607 -60,940** 4,7 43
(25,043) (22,046) (25,097 ) (22,1 57 )
Promedio de años de edad del distrito 0,423 -0,308 0,427 -0,327
(0,322) (0,284) (0,324) (0,286)
Porcentaje de población rural del distrito -1 ,855 -2,61 7 -2,043 -2,657
(3,991 ) (3 ,51 4) (4,006) (3 ,537 )
Población del distrito 0,000 0,000 0,000 0,000
(0,000) (0,000) (0,000) (0,000)
Tasa de crecimiento poblacional intercensal del distrito -0,387 -1 ,97 9+ -0,293 -1 ,958+
(1 ,488) (1 ,31 0) (1 ,499) (1 ,323)
Tasa de crecimiento de la población rural intercensal del distrito 0,31 4 -0,31 6 0,308 -0,300
(0,445) (0,392) (0,446) (0,394)
Constante -22,336** 1 0,1 40 -25,562** 1 0,233
(1 1 ,27 1 ) (9,922) (1 1 ,7 36) (1 0,361 )
Observ aciones 1 ,27 6 1 ,27 6 1 ,261 1 ,261
Niv el de significancia: ***: 0.01 %, **:0.05%, *:0.1 %, +:0,1 5
Modelo 1 Modelo 2
Acceso a banda ancha en el t=2010Acceso a banda ancha en el t=2010
dado que no tenía internet en el t-
Errores estándar en paréntesis
72
ANEXO 9:
Grupo I
vs IV+V
Grupo II
vs IV+V
Grupo I
vs
II+III+IV
+V
Grupo II
vs
III+IV+V
Grupo III
vs IV+V
Año de acceso t= 2008 2009 2008 2009 2010
Variables
Promedio de alumnos de 2 grado por aula 0,035*** 0,013 0,031*** 0,011 0,007
(0,012) (0,015) (0,011) (0,014) (0,011)
Contaban con agua Potable en el año t-1 0,743+ 0,623 0,497 0,738
(0,473) (0,593) (0,413) (0,587)
Contaban con Desague en el año t-1 -0,033 0,097 0,233 0,014 1,164
(0,530) (0,693) (0,491) (0,692) (1,024)
Total de aulas en el año t-1 0,010 -0,002 -0,006 -0,004 0,023
(0,025) (0,027) (0,024) (0,026) (0,016)
Pared de ladrillo o bloque de cemento en el año t-1 -0,300 1,017 -0,216 1,026 0,062
(0,559) (0,769) (0,536) (0,762) (0,317)
Total de computadoras para la enseñanza en el año t-1 0,107*** 0,051** 0,086*** 0,046** -0,001
(0,022) (0,025) (0,018) (0,023) (0,013)
Cambio en el número de computadoras entre el año t-1 y t0,061*** 0,025+ 0,051*** 0,023+ 0,033***
(0,022) (0,016) (0,017) (0,016) (0,010)
Porcentaje de computadoras para la enseñanza en t-1 -1,822*** -0,701* -1,354*** -0,665* -0,281
(0,536) (0,410) (0,471) (0,396) (0,243)
Porcentaje de aulas en buenas condiciones en t-10,036 0,593 -0,066 0,595 0,151
(0,559) (0,604) (0,533) (0,604) (0,321)
Número de ambientes=1 Escolares en t-1 -0,130 0,059 -0,164 0,915 0,261
(0,540) (0,508) (0,422) (0,749) (0,226)
Número de ambientes=2 Escolares en t-1 -0,339 0,283 -0,519 1,160+ 0,617***
(0,539) (0,487) (0,408) (0,725) (0,232)
Número de ambientes=3 Escolares en t-1 -0,179 0,120 -0,183 0,948 0,765***
(0,551) (0,513) (0,403) (0,722) (0,280)
Número de ambientes=4 Escolares en t-1 0,042 -0,876
(0,652)
Número de ambientes=7 Escolares en t-1 -0,126
(0,570)
Número de ambientes=8 Escolares en t-1 0,824
(0,841)
Altitud (msnm) -0,000 -0,001 -0,000 -0,001 0,000
(0,001) (0,001) (0,000) (0,001) (0,000)
Altitud (msnm)2 0,000 0,000 -0,000 0,000 -0,000
(0,000) (0,000) (0,000) (0,000) (0,000)
Escuela polidocente en t-1 -0,435 0,390 -0,274 0,295 0,374+
(0,379) (0,382) (0,360) (0,377) (0,251)
Escuela pública en t-1 -1,911*** -1,252*** -1,360*** -1,021*** -1,469***
(0,417) (0,353) (0,378) (0,346) (0,250)
Brecha de pobreza total (%) -0,219** -0,000 -0,179** 0,005 -0,033
(0,089) (0,063) (0,076) (0,061) (0,034)
Coeficiente de Gini 14,901** -2,048 13,519** -1,420 -4,790
(7,103) (6,623) (6,655) (6,360) (3,787)
Gasto per cápita precios de Lima Metropolitana -0,006** -0,003 -0,005** -0,002 -0,003+
(0,003) (0,002) (0,002) (0,002) (0,002)
Porcentaje de la población del distrito sin agua ni desagüe
de red10,471 -20,799* 6,660 -21,240* 1,399
(8,219) (12,474) (7,230) (11,828) (4,263)
Porcentaje de la población del distrito sin alumbrado
eléctrico9,174 8,155 9,292 5,132 7,116+
(8,978) (9,833) (8,255) (9,232) (4,663)
Porcentaje de la población del distrito in servicio de
información ni comunicación-23,256*** -14,417* -18,314** -12,236+ -14,648***
(8,594) (8,609) (7,882) (8,259) (4,455)
Porcentaje de la población del distrito analfabeta -7,577 -16,048 -12,347 -15,485 2,897
(14,983) (14,719) (14,203) (14,350) (5,900)
Edad promedio del distrito 0,165* 0,100 0,131+ 0,074 0,086
(0,095) (0,103) (0,089) (0,099) (0,062)
Porcentaje de la población que vive en el área rural 2,517+ 0,766 2,054 0,790 -1,559*
(1,732) (1,829) (1,540) (1,791) (0,876)
Población del distrito -0,000 -0,000 -0,000 -0,000 -0,000
(0,000) (0,000) (0,000) (0,000) (0,000)
Tasa de crecimiento intercensal de la población 0,235 0,038 0,233 0,016 -0,052
(0,400) (0,445) (0,370) (0,427) (0,236)
Tasa de crecimiento intercensal de la población rural 0,064 -0,014 0,055 -0,018 0,055
(0,095) (0,187) (0,079) (0,146) (0,077)
Constante -5,053 -3,693 -5,301+ -4,429 -2,049
(3,566) (3,855) (3,398) (3,829) (2,330)
Observations 1.507 2.117 2.025 2.393 3.262
Pseudo R2 0,35 0,30 0,27 0,26 0,29
Errores estándar en paréntesis
Nivel de significancia: ***: 0.01%, **:0.05%, *:0.1%, +:0,15
73
ANEXO 10:
Resultados de los modelos de regresión logística-Acceso a Internet de banda ancha
Modelo 1 Modelo 2
Acceso a banda ancha en el t=2010
dado que no tenía internet en el
t-1=2009
Promedio de alumnos de 2 grado por aula t-1 0,029 0,049
(0,025) (0,040)
Con agua en t-1 0,482 0,420
(0,697) (0,926)
Con desagüe en t-1 -0,560
(1,084)
Total de aulas en el año t-1 0,113*** 0,133***
(0,026) (0,040)
Pared de ladrillo o bloque de cemento -0,270 0,556
(0,609) (1,111)
Total de computadoras para la enseñanza en el año t-1 0,036+ 0,045
(0,025) (0,040)
Cambio en el número de computadoras entre el año t-1 y t -0,018 -0,026
(0,019) (0,027)
Porcentaje de computadoras para la enseñanza en t-1 0,533 0,617
(0,644) (0,984)
Porcentaje de aulas en buenas condiciones en t-1 0,543 0,254
(0,567) (0,838)
Número de ambientes=0 Escolares en t-1 0,064 1,348
(0,751) (1,364)
Número de ambientes=1 Escolares en t-1 0,056 1,412
(0,644) (1,185)
Número de ambientes=2 Escolares en t-1 0,361 1,787
(0,578) (1,097)
Número de ambientes=3 Escolares en t-1 '-0,291
'(1,031)
Altitud (msnm) 0,001 '0,000
(0,001) '(0,001)
Altitud2 -0,000 '0,000
(0,000) '(0,000)
Brecha de pobreza total (%) -0,089 '-0,096
(0,087) '(0,111)
Coeficiente de Gini -0,498 '-1,357
(8,816) '(11,832)
Gasto per cápita precios de Lima Metropolitana -0,006 '-0,006
(0,006) '(0,007)
Porcentaje de la población sin agua ni desagüe de red 4,679 '11,908
(9,135) '(11,434)
Porcentaje de la población sin alumbrado eléctrico 3,555 '-5,658
(10,569) '(14,728)
Porcentaje de la población sin servicio de información ni
comunicación-24,361*** '-27,551**
(9,299) '(12,574)
Porcentaje de la población analfabeta -14,196 '-8,097
(13,395) '(17,927)
Edad promedio del distrito 0,058 '-0,071
(0,146) '(0,199)
Porcentaje depersonas que vive en el área rural 4,165** '5,072**
(1,720) '(2,086)
Población 0,000 '0,000
(0,000) '(0,000)
Tasa de crecimiento intercensal de la población -1,002+ '-2,078*
(0,652) '(1,187)
Tasa de crecimiento intercensal de la población rural -0,264 '-0,092
(0,421) '(0,269)
Constante -2.640 -0,497
(5.298) (7,716)
Observaciones 1.592 1.496
Pseudo R2 0,2174 0,1888
Niv el de significancia: ***: 0,01 %, **:0,05%, *:0,1 %, +:0,1 5.
Errores estándar en paréntesis.
Elaboración propia.
Variables
Acceso a banda ancha en el
t=2010
